[論文レビュー] Trajectory Flow Map: Graph-based Approach to Analysing Temporal Evolution of Aggregated Traffic Flows in Large-scale Urban Networks

Jiwon Kim, Kai Zheng+3 more|arXiv (Cornell University)|Dec 6, 2022

Human Mobility and Location-Based Analysis被引用数 4

ひとこと要約

本稿では、大規模な都市軌跡データを時間発展するグラフに変換することで、都市全体の交通動態を分析するグラフベースの手法、Trajectory Flow Map を提案する。都市空間を空間セルに分割し、セル間のフローを重み付き有向辺としてモデル化することで、移動パターンにおける構造的変化点（ピーク時からオフピーク時への移行など）をグラフマイニングによって特定可能となり、時間的交通動態のコンactかつ解釈可能な表現が可能となる。

ABSTRACT

This paper proposes a graph-based approach to representing spatio-temporal trajectory data that allows an effective visualization and characterization of city-wide traffic dynamics. With the advance of sensor, mobile, and Internet of Things (IoT) technologies, vehicle and passenger trajectories are being increasingly collected on a massive scale and are becoming a critical source of insight into traffic pattern and traveller behaviour. To leverage such trajectory data to better understand traffic dynamics in a large-scale urban network, this study develops a trajectory-based network traffic analysis method that converts individual trajectory data into a sequence of graphs that evolve over time (known as dynamic graphs or time-evolving graphs) and analyses network-wide traffic patterns in terms of a compact and informative graph-representation of aggregated traffic flows. First, we partition the entire network into a set of cells based on the spatial distribution of data points in individual trajectories, where the cells represent spatial regions between which aggregated traffic flows can be measured. Next, dynamic flows of moving objects are represented as a time-evolving graph, where regions are graph vertices and flows between them are treated as weighted directed edges. Given a fixed set of vertices, edges can be inserted or removed at every time step depending on the presence of traffic flows between two regions at a given time window. Once a dynamic graph is built, we apply graph mining algorithms to detect change-points in time, which represent time points where the graph exhibits significant changes in its overall structure and, thus, correspond to change-points in city-wide mobility pattern throughout the day (e.g., global transition points between peak and off-peak periods).

研究の動機と目的

• 大規模な都市軌跡データを分析し、都市全体の交通動態を理解する課題に対処すること。
• 都市ネットワーク全体における集約的交通フローのスケーラブルで解釈可能な表現を構築すること。
• 時間経過に伴う移動パターンにおける顕著な構造的変化（ピーク時とオフピーク時の移行など）を検出すること。
• 動的グラフ構造を用いて、都市交通の時間的変化の可視化と特徴化を可能にすること。

提案手法

• 都市ネットワークを、軌跡データポイントの空間的分布に基づいて空間セルに分割する。
• 各タイムウィンドウごとに、頂点が空間セルを表し、有向で重み付きの辺がそれらの間の集約的交通フローを表す動的グラフが生成される。
• 各タイムステップで、セルペア間のフローの有無に応じて辺が動的に挿入または削除される。
• その結果得られる時間発展するグラフ構造は、交通パターンの空間的・時間的発展を捉えている。
• 変化点（グラフ全体の構造が顕著に変化する時刻）を検出するために、グラフマイニング技術が適用される。
• 変化点は、ラッシュアワーの移行など、都市全体の移動行動における大きなシフトに対応する。

実験結果

リサーチクエスチョン

• RQ1 大規模な都市軌跡データを、交通フローの時間的発展を捉える動的グラフ表現に効果的に変換する方法は何か？
• RQ2 交通フローグラフにおけるどのような構造的変化が、都市移動パターンにおける意味のあるシフトに対応するか？
• RQ3 グラフベースの手法は、ピーク時からオフピーク時への移行のような顕著な変化点を、都市全体の交通動態において検出可能か？
• RQ4 提案された Trajectory Flow Map は、複雑な都市移動パターンをコンパクトかつ解釈可能な形で可視化できるか？

主な発見

• Traジェクトリ・フローマップは、時間発展するグラフの系列として大規模都市交通を効果的に表現し、空間的・時間的フロー動態の可視化を可能にした。
• グラフマイニングによる変化点検出は、ラッシュアワーの開始や昼間の閑散など、移動行動における重要な時間的移行を特定した。
• 本手法は、集約的交通フローのコンパクトで情報豊富なグラフベースの抽象化を提供し、データの複雑さを低減しながらも、重要な構造的パターンを保持した。
• 本手法は、軌跡データと空間分割のみを用いても、グローバルな移動行動の制度的シフトを検出可能であることを示した。