[논문 리뷰] Choosing the right home location definition method for the given dataset

Iva Bojić, Emanuele Massaro외 3명|arXiv (Cornell University)|2015. 10. 13.

Human Mobility and Location-Based Analysis참고 문헌 32인용 수 11

한 줄 요약

이 논문은 두 가지 다른 디지털 이동성 데이터셋—Flickr 체크인과 BBVA 은행 카드 거래 기록—에서 다섯 가지 주거지 정의 방법을 평가하여, 방법의 성능이 데이터 유형에 따라 상당히 다름을 입증한다. 은행 카드 데이터는 다양한 방법에 대해 일관된 주거지 결과를 제공하지만, Flickr 데이터는 방법 선택에 매우 민감한 것으로 나타나, 편향된 추론을 피하기 위해 주거지 탐지 기법을 데이터세트의 이동 패턴에 맞추는 것이 필수적임을 시사한다.

ABSTRACT

Ever since first mobile phones equipped with GPS came to the market, knowing the exact user location has become a holy grail of almost every service that lives in the digital world. Starting with the idea of location based services, nowadays it is not only important to know where users are in real time, but also to be able predict where they will be in future. Moreover, it is not enough to know user location in form of latitude longitude coordinates provided by GPS devices, but also to give a place its meaning (i.e., semantically label it), in particular detecting the most probable home location for the given user. The aim of this paper is to provide novel insights on differences among the ways how different types of human digital trails represent the actual mobility patterns and therefore the differences between the approaches interpreting those trails for inferring said patterns. Namely, with the emergence of different digital sources that provide information about user mobility, it is of vital importance to fully understand that not all of them capture exactly the same picture. With that being said, in this paper we start from an example showing how human mobility patterns described by means of radius of gyration are different for Flickr social network and dataset of bank card transactions. Rather than capturing human movements closer to their homes, Flickr more often reveals people travel mode. Consequently, home location inferring methods used in both cases cannot be the same. We consider several methods for home location definition known from the literature and demonstrate that although for bank card transactions they provide highly consistent results, home location definition detection methods applied to Flickr dataset happen to be way more sensitive to the method selected, stressing the paramount importance of adjusting the method to the specific dataset being used.

연구 동기 및 목표

• 디지털 이동성 데이터세트(예: Flickr 대비 은행 카드 거래 기록)가 인간의 이동 패턴을 어떻게 다르게 반영하는지 조사하기 위해.
• 이러한 데이터세트들 간에 널리 쓰이는 다섯 가지 주거지 정의 방법의 탄력성 평가하기 위해.
• 주거지 탐지 방법의 선택이 데이터 소스의 특성에 따라 결과에 상당한 영향을 미친다는 것을 입증하기 위해.
• 데이터세트 유형에 기반하여 적절한 주거지 추론 방법을 선택하는 데 근거가 되는 지침 제공하기 위해.

제안 방법

• 연구는 Flickr와 BBVA 은행 카드 거래 기록 데이터세트 간의 이동 패턴을 정량화하고 비교하기 위해 궤도 반경(radius of gyration)을 사용한다.
• 다섯 가지 주거지 정의 방법을 적용한다: (1) 방문 빈도가 가장 높은 곳, (2) 머무른 시간이 가장 긴 곳, (3) 중심점에서 거리가 가장 짧은 곳, (4) 시간 창 내에서 방문 횟수가 가장 많은 곳, (5) 클러스터링 기반 공간 집계.
• 메서드 출력 간의 상호 유사도를 측정하기 위해 랜드 조정 지수(Rand Adjusted Index)를 사용하여 메서드 간 일관성 평가.
• 메서드 간 일치도를 비교하기 위해 레이더 플롯(radar plots)을 사용하여 결과를 시각화.
• 각 데이터세트에서 메서드 성능을 일관성(결과의 표준편차)과 메서드 선택에 대한 민감도 측면에서 비교 분석.
• 참고 기준은 사용되지 않으며, 대신 각 데이터세트에서 메서드 간 일치도를 비교하여 탄력성 평가.

실험 결과

연구 질문

• RQ1 Flickr와 BBVA 은행 카드 거래 기록 데이터세트에서 궤도 반경 측면에서 이동 패턴은 어떻게 다를까?
• RQ2 다른 주거지 정의 방법이 동일한 데이터세트에서 일관된 결과를 도출할 수 있는가?
• RQ3 왜 어떤 데이터세트(예: Flickr)에서는 메서드 선택이 더 중요할까? 다른 데이터세트(예: 은행 카드 데이터)에서는 그렇지 않은가?
• RQ4 공간 분포나 방문 빈도와 같은 데이터세트 특성으로부터 주거지 탐지 방법의 메서드 선택 민감도를 예측할 수 있는가?

주요 결과

• 궤도 반경 분포 분석 결과, Flickr 사용자는 은행 카드 사용자 대비 상당히 높은 이동성을 보이며, 평균 궤도 반경이 약 50% 높고, 100km 이상 이동하는 사용자 비율도 10% 더 많다.
• BBVA 은행 카드 데이터의 경우, 메서드 간 일치도 범위는 1%에서 9%의 편차를 보이며, 이는 높은 탄력성과 낮은 메서드 선택 민감도를 의미한다.
• Flickr 데이터의 경우, 메서드 간 일치도 범위는 10%에서 20%의 편차를 보이며, 이는 메서드 선택에 매우 민감한 것으로 나타나, 방법 선택이 결과에 상당한 영향을 미친다는 것을 시사한다.
• 그림 4의 레이더 플롯은 메서드 간 일치도가 데이터세트 간에 상당히 다름을 확인하며, Flickr 데이터는 BBVA 데이터에 비해 메서드 간 분산이 더 크다는 것을 보여준다.
• 연구는 단일 주거지 탐지 방법이 항상 최적은 아니며, 메서드 선택은 데이터세트의 기초 이동 패턴에 맞게 맞춤형으로 이루어져야 한다고 결론 내린다.
• 이러한 결과는 특히 주거지를 가장 자주 방문하거나 머무르는 장소로 가정하는 단순화된 방법을 사용할 경우, 데이터세트의 맥락을 고려하는 것이 주거지 추론의 정확성에 매우 중요하다는 점을 강조한다.