강준혁 교수

RNN 모델은 시계열 데이터를 활용하는 다양한 응용 분야에서 뛰어난 성능을 내며 시계열 데이터에 특화된 모델로 자리매김했다. 그러나 일반적인 시계열 데이터와 달리 이동경로들은 시공간 데이터로써 공간에 대한 정보도 고려해야 하므로 이에 특화된 특징 추출 방법이 필요하다. 따라서 본 연구에서는 단순히 시계열 데이터를 처리하는 Recurrent neural network(RNN) 계열의 모델을 구축하여 특징을 추출하는 것이 아니라 이동경로만의 구별되는 양질의 특징을 보다 효과적으로 추출할 수 있는 알고리즘을 설계하였다. 이를 위해 Seq2Seq 오토인코더 기반 모델을 구축하여 인간의 복잡한 이동성 특징을 효과적으로 추출하였고, 나아가 추출된 특징 벡터를 활용하여 일반적인 트렌드를 벗어나는 이상 이동경로를 효율적으로 탐지해 내었다.

이동경로 예측은 움직이는 객체가 지나온 경로로부터 다음 위치를 예측하는 작업으로 이동경로 데이터마이닝의 주요 분야 중 하나이다. 이동경로를 예측하기 위해서는 현재 위치로부터 도달가능한 다음 위치들을 파악하는 것이 중요하다. 도로 네트워크에는 다양한 형태의 토폴로지가 존재하며 이동경로는 도로 네트워크의 토폴로지에 따라 제약적으로 생성된다. 이러한 도로 네트워크의 토폴로지 정보는 현재 위치로부터 도달 가능한 다음 위치들에 대한 내용를 포함하고 있어 이를 이동경로 예측 모델에 활용하면 예측 성능을 향상시킬 수 있다. 이동경로 데이터마이닝을 위해 그리드 임베딩을 수행한 기존 연구는 임베딩 과정에서 그리드들 간의 공간적 근접성을 고려하였다. 하지만, 이는 공간적 거리는 가깝지만 도달할 수 없는 지역을 잠재 공간 내에 서로 가깝게 임베딩하게되는 문제가 발생하기 때문에 이동경로 예측 문제에 적합하지 않다. 본 연구에서는 도로 네트워크의 토폴로지를 고려하는 그리드 임베딩 방법을 제안한다. 제안하는