[論文レビュー] Visual Analytics of Movement Pattern Based on Time-Spatial Data: A Neural Net Approach

Zhenghao Chen, Jianlong Zhou+1 more|arXiv (Cornell University)|Jul 9, 2017

Data Visualization and Analytics参考文献 8被引用数 3

ひとこと要約

本論文は、時間的空間的移動データのためのニューラルネットワークベースのビジュアルアナリティクスフレームワークを提案する。バックエンドデータベース、自己組織化マップ（SOM）によるクラスタリング、再帰的ニューラルネットワーク（RNN）による予測を統合しており、2次元ヒートマップ、3次元時間的空間キューブ、アニメーションを通じたインタラクティブ可視化を可能にし、商業的プロmotionや自然保護地域における野生生物の影響評価といった実世界の応用において、移動パターンの予測と異常交通行動の検出において高い正確性を達成している。

ABSTRACT

Time-Spatial data plays a crucial role for different fields such as traffic management. These data can be collected via devices such as surveillance sensors or tracking systems. However, how to efficiently an- alyze and visualize these data to capture essential embedded pattern information is becoming a big challenge today. Classic visualization ap- proaches focus on revealing 2D and 3D spatial information and modeling statistical test. Those methods would easily fail when data become mas- sive. Recent attempts concern on how to simply cluster data and perform prediction with time-oriented information. However, those approaches could still be further enhanced as they also have limitations for han- dling massive clusters and labels. In this paper, we propose a visualiza- tion methodology for mobility data using artificial neural net techniques. This method aggregates three main parts that are Back-end Data Model, Neural Net Algorithm including clustering method Self-Organizing Map (SOM) and prediction approach Recurrent Neural Net (RNN) for ex- tracting the features and lastly a solid front-end that displays the results to users with an interactive system. SOM is able to cluster the visiting patterns and detect the abnormal pattern. RNN can perform the predic- tion for time series analysis using its dynamic architecture. Furthermore, an interactive system will enable user to interpret the result with graph- ics, animation and 3D model for a close-loop feedback. This method can be particularly applied in two tasks that Commercial-based Promotion and abnormal traffic patterns detection.

研究の動機と目的

• 大規模な時間的空間的移動データの分析におけるパターン発見と予測の課題に対処すること。
• スケーラブルで正確な特徴抽出を実現するため、従来の可視化およびクラスタリング手法に深層学習技術を統合して改善すること。
• ユーザーがグラフィックス、アニメーション、3次元モデルを通じて複雑な移動パターンを探索・解釈できるインタラクティブなフロントエンドシステムを開発すること。
• 商業的ユーザープロmotionや自然保護地域における野生生物の影響検出といった実世界の問題にフレームワークを応用すること。

提案手法

• 時間的空間的データの管理とオンデマンドでの時系列データベース生成を目的として、リレーショナルデータベースと動的非リレーショナルデータベースをハイブリッドに組み合わせたバックエンドを採用する。
• 自己組織化マップ（SOM）を用いて移動パターンのクラスタリングを行い、空間的および時間的特徴に基づき、定期的および異常な訪問行動を特定する。
• 再帰的ニューラルネットワーク（RNN）、特に長短期記憶（LSTM）を用いて、移動対象の将来の位置を時系列予測する。
• フロントエンドシステムは、2次元ヒートマップ、3次元時間的空間キューブ、関係性マップ、アニメーションを用いて結果を可視化し、ユーザーの解釈とフィードバックを支援する。
• データインジェスト、特徴抽出（クラスタリングおよび予測）、インタラクティブ可視化を統合したクローズドループアナリティクスシステムとしてパイプラインを構築する。
• システムは中国におけるモバイルユーザー行動データおよびVAST 2017の自然保護地域における車両軌道データの2つの実世界データセットを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークベースの手法は、従来の統計的および可視化手法と比較して、大規模な時間的空間的移動データのクラスタリングおよび予測をどのように改善するか？
• RQ2 インタラクティブな可視化は、複雑な移動パターンや異常行動の理解をどのように向上させるか？
• RQ3 RNNベースのモデルは、時間的空間的データにおける将来の移動パターンを予測する際、古典的な機械学習モデルを上回る性能を示せるか？
• RQ4 SOMによるクラスタリングは、特に生態的敏感地域における長期間の車両滞在など、高影響イベントを示す可能性のある異常交通パターンをどのように検出できるか？

主な発見

• RNNはVAST 2017自然保護地域データセットで92.3%の予測正確度を達成し、SVM（87.6%）、KNN（84.2%）、ランダムフォレスト（79%）を上回った。
• SOMクラスタリング手法は、4つの明確で異常な車両パターンを同定し、そのうち1台の車両が保護地域に92日間滞在していたことから、長期的な生態的影響を示した。
• インタラクティブな3次元時間的空間キューブとヒートマップは、異常クラスタの軌跡およびチェックイン頻度を明確に可視化し、高影響車両の迅速な検出を可能にした。
• RNNの予測結果は、19:00〜20:00の実際の交通パターンとよく一致しており、一般ゲート6から出発する4つの主要な移動経路を正しく特定した。
• システムは、商業的プロmotionに役立つインサイトを提供でき、例えば、事前に交通量の多いモバイルステーションを特定し、ターゲット広告の配信を最適化できるようになった。
• フレームワークは商業的および生態的応用の両方で優れた性能を示し、実世界の時間的空間アナリティクスにおける汎用性とスケーラビリティを裏付けた。