[논문 리뷰] Computing Similarity between a Pair of Trajectories

Swaminathan Sankararaman, Pankaj Agarwal외 2명|arXiv (Cornell University)|2013. 03. 07.

Data Management and Algorithms참고 문헌 18인용 수 12

한 줄 요약

이 논문은 균일한 샘플링이나 시간적 정렬을 가정하지 않고 두 궤적 간 유사한 부분을 식별하는 새로운 할당 기반 모델을 사용하여 노이즈에 강건하고 내성적인 궤적 유사도 계산 프레임워크를 제안한다. 이 방법은 희박한 샘플링과 이상치가 존재하는 상황에서도 공통 패턴을 높은 정확도로 탐지하며, GeoLife, 자전거, 버스 궤적과 같은 실제 데이터셋에서 실험한 결과, DTW와 시퀀스 정렬보다 뛰어난 성능을 보였다.

ABSTRACT

With recent advances in sensing and tracking technology, trajectory data is becoming increasingly pervasive and analysis of trajectory data is becoming exceedingly important. A fundamental problem in analyzing trajectory data is that of identifying common patterns between pairs or among groups of trajectories. In this paper, we consider the problem of identifying similar portions between a pair of trajectories, each observed as a sequence of points sampled from it. We present new measures of trajectory similarity --- both local and global --- between a pair of trajectories to distinguish between similar and dissimilar portions. Our model is robust under noise and outliers, it does not make any assumptions on the sampling rates on either trajectory, and it works even if they are partially observed. Additionally, the model also yields a scalar similarity score which can be used to rank multiple pairs of trajectories according to similarity, e.g. in clustering applications. We also present efficient algorithms for computing the similarity under our measures; the worst-case running time is quadratic in the number of sample points. Finally, we present an extensive experimental study evaluating the effectiveness of our approach on real datasets, comparing with it with earlier approaches, and illustrating many issues that arise in trajectory data. Our experiments show that our approach is highly accurate in distinguishing similar and dissimilar portions as compared to earlier methods even with sparse sampling.

연구 동기 및 목표

• 노이즈, 이상치, 비균일하거나 희박한 샘플링이 존재하는 상황에서 두 궤적 간 유사한 부분을 식별하는 데 도전 과제를 해결한다.
• 시간적 비일치성과 샘플링 레이트 변화에 강건한 유사도 측정 방법을 개발하여 다양한 출처의 궤적 간 정확한 비교를 가능하게 한다.
• 클러스터링 및 분석을 위한 궤적 쌍의 순서를 매길 수 있는 스칼라 유사도 점수를 제공할 뿐만 아니라 국소적인 유사한 부분 궤적도 식별한다.
• 대응 관계와 유사도 점수를 계산하기 위한 시간 복잡도가 최악의 경우 이차함수 수준인 효율적인 알고리즘을 설계한다.
• 실제 데이터셋에서 프레임워크의 효과성을 입증하여 기존 방법과 비교해 공통 경로와 주요 랜드마크 점을 더 정확하게 식별함을 보여준다.

제안 방법

• 샘플 포인트를 한 궤적에서 다른 궤적의 포인트에 매핑할 수 있는 반연속적 할당 모델을 제안하여 엄격한 시간 정렬 없이도 탄력적인 대응 관계를 허용한다.
• 거리 임계값과 최소 간격 제약 조건을 기반으로 한 점수 함수를 정의하여 진짜 유사성과 노이즈 또는 이상치를 구분한다.
• 반복적 정밀 조정 과정을 통해 최적의 대응 관계에 수렴하게 하여, 거리 측정 기준에 대한 사전 지식이 없더라도도 유사도 탐지 성능을 향상시킨다.
• 할당 구조에서 유도된 스칼라 유사도 점수를 도입하여 클러스터링 응용을 위한 궤적 쌍의 순서 매김이 가능하다.
• 계산 비용을 줄이면서도 정확도를 유지하기 위해 잘라내기 및 최적화 기법을 적용하여 대규모 데이터셋에서도 유용하게 활용한다.
• 쌍별 대응 기반의 포인트 중요도 히트맵을 활용해 공통으로 이용되는 경로와 핵심 랜드마크의 탐지 결과를 시각화하고 검증한다.

실험 결과

연구 질문

• RQ1 궤적이 서로 다른 레이트로 샘플링되거나 노이즈가 포함되거나 부분적으로 관찰되는 상황에서 궤적 유사도는 어떻게 강건하게 측정할 수 있는가?
• RQ2 대응 기반 모델이 전통적인 방법인 동적 시간 왜곡(DTW)과 시퀀스 정렬보다 궤적의 유사한 부분을 더 잘 식별할 수 있는가?
• RQ3 제안된 프레임워크는 실제 궤적 데이터셋에서 공통 경로와 랜드마크 점을 얼마나 정확하게 탐지하는가?
• RQ4 거리 측정 기준에 대한 사전 지식이 없이도 반복적 할당 과정이 의미 있는 대응 관계로 수렴하는가?
• RQ5 포인트 간 거리의 변동성이 제안된 모델을 사용한 국소 유사도 탐지의 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 제안된 할당 기반 방법은 희박한 샘플링과 노이즈 상황에서도 DTW 및 DTW-Pruned보다 훨씬 뛰어난 성능을 보이며, 특히 궤적의 유사한 부분을 식별하는 데 유리하다.
• GeoLife, 자전거, 버스 궤적과 같은 실제 데이터셋에서 공통으로 이용되는 경로와 랜드마크 점을 성공적으로 탐지하였으며, 이는 포인트 중요도의 히트맵을 통해 확인되었다.
• 정확한 사전 거리 지식이 없더라도 반복 절차가 안정된 상태에 수렴하여, 유사한 부분과 비유사한 부분을 정확히 구분할 수 있었다.
• 스칼라 유사도 점수 덕분에 궤적 쌍의 순서 매김이 효과적으로 가능해져 클러스터링 및 패턴 탐색 응용에 기여한다.
• 궤적의 중심점 식별 능력에서 뛰어난 성능을 보이며, 평균 궤적 계산 가능성까지 시사한다.
• 반연속적 할당 모델은 완전한 궤적 데이터셋 분석과 보존된 운동 패턴 탐지에 체계적이고 확장 가능한 기반을 제공한다.