[논문 리뷰] Clustering with Temporal Constraints on Spatio-Temporal Data of Human Mobility

Yunlong Wang, Bjoern Sommer외 2명|arXiv (Cornell University)|2018. 07. 02.

Human Mobility and Location-Based Analysis참고 문헌 24인용 수 4

한 줄 요약

이 논문은 시간적 제약 조건을 공간-시간 인간 이동 데이터에 통합하여 전역적이고 국소적인 관심 장소(POI)를 추출하는 새로운 클러스터링 방법인 PC-TC를 제안한다. 공간적 근접성과 함께 시간 패턴을 모델링함으로써 기존의 클러스터링 방법에 비해 다음 장소 예측 정확도와 해상도를 향상시킨다. 실제 두 개의 데이터셋(193명의 개인 포함)에서 강력한 성능을 입증하였다.

ABSTRACT

Extracting significant places or places of interest (POIs) using individuals' spatio-temporal data is of fundamental importance for human mobility analysis. Classical clustering methods have been used in prior work for detecting POIs, but without considering temporal constraints. Usually, the involved parameters for clustering are difficult to determine, e.g., the optimal cluster number in hierarchical clustering. Currently, researchers either choose heuristic values or use spatial distance-based optimization to determine an appropriate parameter set. We argue that existing research does not optimally address temporal information and thus leaves much room for improvement. Considering temporal constraints in human mobility, we introduce an effective clustering approach - namely POI clustering with temporal constraints (PC-TC) - to extract POIs from spatio-temporal data of human mobility. Following human mobility nature in modern society, our approach aims to extract both global POIs (e.g., workplace or university) and local POIs (e.g., library, lab, and canteen). Based on two publicly available datasets including 193 individuals, our evaluation results show that PC-TC has much potential for next place prediction in terms of granularity (i.e., the number of extracted POIs) and predictability.

연구 동기 및 목표

• 기존 클러스터링 방법이 시간적 제약 조건을 忽시하고 히ュ리스틱 또는 거리 기반의 파rameter 조정에 의존한다는 한계를 해결하기 위해.
• 공간-시간 이동 데이터에서 전역(예: 직장)과 국소(예: 식당) 장소를 포함한 의미 있는 관심 장소(POI)를 더 잘 탐지하기 위해.
• 인간 이동에서 내재된 시간 패턴을 활용하여 POI 추출 및 다음 장소 예측을 향상시키는 클러스터링 프레임워크를 개발하기 위해.
• 실제 이동 데이터셋을 사용하여 정밀도와 예측 가능성 측면에서 방법의 효과성을 평가하기 위해.

제안 방법

• PC-TC 방법은 시간 패턴을 모델링함으로써 공간 클러스터링에 시간 제약 조건을 통합하여, 클러스터링된 점들이 공간적으로만 가까운 것이 아니라 시간적으로도 일관성을 가지도록 보장한다.
• 이 방법은 공간적 근접성과 반복적인 시간 패턴(예: 정기적인 일일 또는 주간 방문)을 기반으로 이동 점을 그룹화하는 시간 인식 클러스터링 알고리즘을 사용한다.
• 클러스터 할당을 동적으로 결정하기 위해 방문 빈도와 시간 일관성을 고려함으로써, 클러스터 수와 같은 사전 정의된 파rameter에 대한 의존도를 줄인다.
• 안정적인 방문 패턴을 식별하여 POI를 정의하기 위해 시간적 시퀀스를 분석하기 위해 슬라이딩 윈도우 방식을 적용한다.
• 특정 시간 윈도우 내에서 방문의 지속 시간과 반복 빈도를 분석함으로써 전역 POI와 국소 POI를 구분한다.
• 클러스터 구성원을 정의하기 위해 공간 거리와 시간 상관관계를 조합한 하이브리드 유사도 측정법을 활용한다.

실험 결과

연구 질문

• RQ1 시간 제약 조건을 클러스터링에 효과적으로 통합하여 인간 이동 데이터에서 POI 탐지 성능을 향상시킬 수 있는가?
• RQ2 시간 패턴을 통합함으로써 다음 장소 예측의 정밀도와 예측 가능성은 어느 정도 향상되는가?
• RQ3 PC-TC는 전역 및 국소 관심 장소를 탐지하는 데 있어 기존 클러스터링 방법을 능가할 수 있는가?
• RQ4 실제 데이터셋에서 다양한 이동 패턴에 대해 이 방법은 어떻게 성능을 발휘하는가?
• RQ5 시간 일관성이 클러스터의 안정성과 POI 식별에 어떤 영향을 미치는가?

주요 결과

• PC-TC는 기존 기준 클러스터링 방법에 비해 보다 정교하고 의미 있는 POI 집합을 추출함으로써 다음 장소 예측 성능을 크게 향상시킨다.
• 이 방법은 시간적 방문 패턴을 활용하여 전역 POI(예: 직장, 대학)와 국소 POI(예: 도서관, 식당)를 성공적으로 식별한다.
• 193명의 개인을 포함한 두 개의 공개 데이터셋에서 평가한 결과, PC-TC는 더 나은 POI 해상도 덕분에 다음 장소 예측에서 높은 예측 가능성을 확보하였다.
• 시간 일관성을 클러스터링 과정에 통합함으로써 히ュ리스틱 파rameter 선택에 대한 의존도를 감소시켰다.
• 시간 제약 조건은 자주 방문하지만 공간적으로 가까운 장소에 대해 더 안정적이고 의미 있는 클러스터를 생성한다.
• PC-TC는 정기적인 출퇴근자뿐 아니라 비정기적인 이동자까지 포함한 다양한 이동 행동에 대해 뛰어난 견고성을 보였다.