[논문 리뷰] Deep Learning for Human Mobility: a Survey on Data and Models.

Massimiliano Luca, Gianni Barlacchi외 2명|arXiv (Cornell University)|2020. 12. 04.

Human Mobility and Location-Based Analysis참고 문헌 172인용 수 21

한 줄 요약

이 종합 검토는 인간 이동성 분야의 딥러닝 응용에 대한 포괄적인 개요를 제공하며, 다음 위치 예측, 군중 유량 예측, 궤적 생성을 중심으로 다룹니다. 데이터 소스, 모델, 열린 과제를 통합하여 딥러닝 및 이동성 과학 분야의 연구자와 전문가를 위한 통합 가이드를 제공합니다.

ABSTRACT

The study of human mobility is crucial due to its impact on several aspects of our society, such as disease spreading, urban planning, well-being, pollution, and more. The proliferation of digital mobility data, such as phone records, GPS traces, and social media posts, combined with the outstanding predictive power of artificial intelligence, triggered the application of deep learning to human mobility. In particular, the literature is focusing on three tasks: next-location prediction, i.e., predicting an individual's future locations; crowd flow prediction, i.e., forecasting flows on a geographic region; and trajectory generation, i.e., generating realistic individual trajectories. Existing surveys focus on single tasks, data sources, mechanistic or traditional machine learning approaches, while a comprehensive description of deep learning solutions is missing. This survey provides: (i) basic notions on mobility and deep learning; (ii) a review of data sources and public datasets; (iii) a description of deep learning models and (iv) a discussion about relevant open challenges. Our survey is a guide to the leading deep learning solutions to next-location prediction, crowd flow prediction, and trajectory generation. At the same time, it helps deep learning scientists and practitioners understand the fundamental concepts and the open challenges of the study of human mobility.

연구 동기 및 목표

• 다양한 인간 이동성 과제에 걸쳐 딥러닝 솔루션을 통합적으로 검토함으로써 기존 검토의 격차를 메우기 위해.
• 연구자와 전문가를 위한 이동성 및 딥러닝 기초 지식을 제공하기 위해.
• 인간 이동성 연구에서 사용된 공개 데이터셋과 데이터 소스를 정리하기 위해.
• 다음 위치 예측, 군중 유량 예측, 궤적 생성을 위한 딥러닝 아키텍처를 분석하고 비교하기 위해.
• 딥러닝을 활용한 인간 이동성 분야의 주요 열린 과제를 특정하고 논의하기 위해.

제안 방법

• 본 논문은 인간 이동성에 적용된 딥러닝 모델에 대한 체계적인 검토를 수행하며, 세 가지 핵심 과제인 다음 위치 예측, 군중 유량 예측, 궤적 생성에 집중합니다.
• 이동성 모델링에 사용된 다양한 딥러닝 아키텍처, 예를 들어 RNN, LSTM, GRU, CNN 및 주의 기반 모델을 분류하고 기술합니다.
• 모바일 통신 기록, GPS 트레이스, 소셜 미디어 데이터와 같은 데이터 소스를 평가하며, 그 특성과 가용성을 강조합니다.
• 성능 평가를 위해 문헌에서 사용된 모델 평가 지표와 벤치마크 데이터셋을 논의합니다.
• 과제별 설계, 입력 표현 방식, 아키텍처 선택 기준에 따라 모델을 정리하고 비교합니다.
• 일반화 문제, 개인정보 보호 문제, 데이터 부족 등 제한 사항과 열린 과제를 특정합니다.

실험 결과

연구 질문

• RQ1 인간 이동성에서 다음 위치 예측, 군중 유량 예측, 궤적 생성에 사용되는 주요 딥러닝 모델은 무엇인가요?
• RQ2 GPS, 모바일 통신 기록, 소셜 미디어 등의 다양한 데이터 소스는 모델 성능과 적용 가능성에 어떤 영향을 미치나요?
• RQ3 인간 이동 패턴을 모델링하는 데 가장 효과적인 딥러닝 아키텍처와 구성 요소(예: 주의 메커니즘, RNN)는 무엇인가요?
• RQ4 대규모로 인간 이동성에 딥러닝을 구현할 때의 주요 열린 과제는 무엇인가요?
• RQ5 현재 모델들은 다양한 지리적 지역과 이동 행동 간에서 일반화가 잘 되는가요?

주요 결과

• 이 검토는 RNN 기반 모델, 특히 LSTM과 GRU가 순차적 모델링 능력 덕분에 다음 위치 예측에 널리 사용되고 있음을 밝혀냈습니다.
• 장거리 의존성과 공간적 관계를 포착하기 위해 주의 메커니즘과 그래프 신경망(GNN)이 점점 더 널리 채택되고 있습니다.
• 궤적 생성 모델은 일반적으로 변동형 오토인코더(Variational Autoencoders)와 RNN을 조합하여 다양한 실재성 있는 이동 패턴을 생성합니다.
• 공개 데이터셋으로는 모바일 앱에서 수집한 GPS 트레이스와 익명화된 통화 세부 기록이 주로 사용되지만, 가용성과 품질은 상당히 다릅니다.
• 강력한 예측 성능에도 불구하고, 모델들은 다양한 도시 환경에서의 일반화, 개인정보 보호 준수, 해석 가능성 문제에 직면해 있습니다.
• 본 검토는 표준화된 벤치마크와 평가 프로토콜의 부재를 분야 발전을 저해하는 주요 장벽으로 지적합니다.