[논문 리뷰] A survey on trajectory clustering analysis

Jiang Bian, Dayong Tian외 2명|arXiv (Cornell University)|2018. 02. 20.

Data Management and Algorithms참고 문헌 96인용 수 79

한 줄 요약

본 설문은 궤적 클러스터링 방법을 비지도, 지도, 반지도 학습으로 분류하고 표현, 거리 측정, 모델, 그리고 향후 방향에 대해 논의한다.

ABSTRACT

This paper comprehensively surveys the development of trajectory clustering. Considering the critical role of trajectory data mining in modern intelligent systems for surveillance security, abnormal behavior detection, crowd behavior analysis, and traffic control, trajectory clustering has attracted growing attention. Existing trajectory clustering methods can be grouped into three categories: unsupervised, supervised and semi-supervised algorithms. In spite of achieving a certain level of development, trajectory clustering is limited in its success by complex conditions such as application scenarios and data dimensions. This paper provides a holistic understanding and deep insight into trajectory clustering, and presents a comprehensive analysis of representative methods and promising future directions.

연구 동기 및 목표

• 감시, 이상 행동 탐지, 군중 분석, 교통 제어에서의 궤적 클러스터링과 그 응용에 대한 포괄적 이해를 제공한다.
• 궤적 유사도 측정에 사용되는 데이터 표현, 특징 추출 및 거리 척도 요약.
• 비지도, 지도, 반지도 범주에 걸친 대표적 방법을 검토하고 그 장점과 한계를 논의한다.
• 데이터 이질성, 가변 궤적 길이, 계산적 확장성 등의 도전과제를 강조하고 향후 방향을 제안한다.

제안 방법

• 궤적 클러스터링 방법을 비지도, 지도, 반지도 학습으로 분류한다. 궤적 표현(일관된 길이, 변환, 재샘플링, 부분 궤적, POI, 규모 불변 특징)을 논의한다. 거리 척도(유클리드, 해수도, 바타차야, 프레셰, DTW, LCSS, 및 기타)와 그 트레이드오프를 비교한다. 비지도 모델: 밀집 군집화(DBSCAN, K-평균/EM/FCM), 계층적 군집화, 스펙트럴 클러스터링을 기술한다. 지도 학습 접근법: 최근접 이웃, SVM, 베이지안/추론 모델, 신경망(CNN, DNN, SOM)을 설명한다. 반지도 방법과 일반적인 워크플로우를 개관한다.
• Compare methodological categories in terms of computational considerations, strengths, and limitations (e.g., density-based vs. spectral vs. hierarchical approaches).
• Provide a synthesis of how trajectory length, representation, and distance metrics influence clustering outcomes.

실험 결과

연구 질문

• RQ1 다양한 알고리즘 범주에서 사용되는 주요 표현 및 거리 측정은 무엇인가?
• RQ2 비지도, 지도, 반지도 궤적 클러스터링 방법은 성능, 확장성, 다양한 도메인에의 적용성 측면에서 어떻게 비교되는가?
• RQ3 궤적 클러스터링의 현재 도전과 한계는 무엇이며 어떤 미래 방향이 제시되는가?
• RQ4 전처리 단계인 변환, 재샘플링, 부분 궤적 추출이 클러스터링 결과에 어떤 영향을 미치는가?
• RQ5 신경망 및 확률모델이 궤적 클러스터링에서 어떤 역할을 하며 그 트레이드오프는 무엇인가?

주요 결과

• 궤적 클러스터링 방법은 비지도, 지도, 반지도 범주로 조직되며 각기 다른 데이터 요구사항과 사용 사례를 갖는다.
• 다양한 궤적 표현(일관된 길이, 곡선 피팅, 부분 궤적, POI, 규모 불변 특징)과 거리 척도(DTW, LCSS, Hausdorff, Frechet, 유클리드, Bhattacharyya)가 유사도 측정에 사용되며 각각 트레이드오프가 다르다.
• 밀집 클러스터링 모델(DBSCAN 등)이 많은 궤적 분석에서 지배적이지만 밀도 변화에 취약할 수 있으며, 계층적 및 스펙트럴 클러스터링은 보완적 강점과 한계를 제공한다.
• 지도 학습 접근법은 라벨링된 데이터를 활용해 클러스터링을 개선할 수 있으며 최근접 이웃, SVM, 베이지안/신경망 기반 방법을 사용해 궤적을 분류하거나 분할할 수 있다.
• 반지도 방법은 라벨링된 데이터와 라벨링되지 않은 데이터를 균형 있게 활용해 라벨링 부담을 줄이면서도 성능을 유지한다.
• 본 설문은 궤적 길이의 통일화, 계산 복잡도, 장면 특성에 따른 적응 등 실용적 고려사항을 다루고 향후 연구 방향을 제시한다.