[論文レビュー] Stay-point Identification as Curve Extrema

Georgios Stylianou|arXiv (Cornell University)|Jan 23, 2017

Human Mobility and Location-Based Analysis参考文献 16被引用数 4

ひとこと要約

本稿では、ユーザーの軌跡を2次元離散曲線に変換し、1次微分における局所的極小値として停留点を検出することで、距離および時間の閾値を経験的に調整する必要を排除する幾何学的アプローチを提案する。本手法は、多様な軌跡データセットで86–98%の精度を達成し、ノイズ、非一様な密度、位置決め誤差に対して頑健であることを示している。

ABSTRACT

In a nutshell, stay-points are locations that a person has stopped for some amount of time. Previous work depends mainly on stay-point identification methods using experimentally fine tuned threshold values. These behave well on their experimental datasets but may exhibit reduced performance on other datasets. In this work, we demonstrate the potential of a geometry-based method for stay-point extraction. This is accomplished by transforming the user's trajectory path to a two-dimensional discrete time series curve that in turn transforms the stay-points to the local minima of the first derivative of this curve. To demonstrate the soundness of the proposed method, we evaluated it on raw, noisy trajectory data acquired over the period of 28 different days using four different techniques. The results demonstrate, among others, that given a good trajectory tracking technique, we can identify correctly 86% to 98% of the stay-points.

研究の動機と目的

• 距離および時間の閾値を経験的に調整する依存性に起因する、既存の停留点同定手法における一般化の欠如に対処する。
• 異なるデータセット間での性能制限を引き起こす、アプリケーション固有の閾値値に依存するのを低減する。
• 軌跡データの希釈、非一様な点密度、ノイズに対して頑健な手法を開発する。
• 幾何的極値検出を用いて、リアルタイムでの停留点検出に適した安定的かつ計算効率の良いソリューションを提供する。
• 異なるデータ品質および密度を示す複数の軌跡追跡技術にわたって、本手法の有効性を実証する。

提案手法

• x軸に時間を、y軸に累積移動距離をとる2次元離散時系列曲線として、ユーザーの日常の軌跡を変換する。
• 曲線の1次微分を計算し、速度の時間的変化をモデル化することで、停留点検出問題を極値抽出問題に変換する。
• 1次微分曲線における局所的極小値として停留点を特定し、低速または停止状態に対応する。
• 真の停留点と静止点を区別するための信頼度式を適用し、誤検出を低減する。
• 複数のヒューリスティック閾値に代わって、一意で適切に定義された数値的閾値を用いて極値検出を行う。
• 線形時間で処理が可能であり、リアルタイム適用が可能である。

実験結果

リサーチクエスチョン

• RQ1 停留点検出を、手動でチューニングする必要のない幾何的極値検出問題として再定式化できるか？
• RQ2 本手法は、密度、ノイズレベル、点の均一性が異なる軌跡データセットにおいて、どのように性能を発揮するか？
• RQ3 距離および時間の閾値の実験的チューニングを一切行わずに、本手法がどれほど高い精度を維持できるか？
• RQ4 信頼度式は、真の停留点と静止点の区別をどの程度改善するか？
• RQ5 異なるデータ品質を持つ複数の軌跡追跡技術にわたって、本手法は一般化可能か？

主な発見

• 提案手法は、4種の異なる追跡技術を用いて収集された28日間の原始的でノイズの多い軌跡データにおいて、86–98%の精度で停留点を同定した。
• 本手法は、軌跡データの希釈および非一様な点密度に対しても頑健であり、データ品質の変動に関わらず性能が安定している。
• 信頼度式は、すべての静止点を正しく同定し、誤検出の少ない停留点を生成した。
• ハイブリッドおよびSLS-100の追跡技術では、実際の停留時間に対して平均で19%および13%の過大評価が生じており、SLS-100は高いデータ密度のおかげで標準偏差が低かった。
• 固定された5分間の時間閾値を用いると、ハイブリッド手法では誤検出が6倍、SLS-100では2.5倍に増加する結果となり、閾値ベースのアプローチの限界を浮き彫りにした。
• 変曲点（信頼度が低い極値）の平均持続時間は、ハイブリッド手法で9分、SLS-100で4分であった。これは、5分の閾値を用いると誤検出が顕著に増加することを示している。