[논문 리뷰] DTNC: A New Server-side Data Cleansing Framework for Cellular Trajectory Services

Jian Dai, Fei He외 3명|arXiv (Cornell University)|2017. 03. 01.

Human Mobility and Location-Based Analysis참고 문헌 26인용 수 3

한 줄 요약

DTNC는 실시간 이동 서비스에서 높은 공간 오차와 임의의 누락된 위치로 인한 낮은 품질의 셀룰러 트래잭터리 데이터 문제를 해결하기 위해 서버 측 데이터 정제 프레임워크를 제안한다. 이는 확률적 이동 시간 분포를 가진 동적 이동망(DTN)과 이동 시간 인식 히든 준마르코프 모델(TT-HsMM)을 활용하여 노이즈가 많고 오류가 많으며 불완전한 셀룰러 위치 데이터에서 정확하고 완전한 트래잭터리를 추론한다. 이는 40%의 위치에서 50미터 이내의 공간 오차를 감소시키며, 6개의 최신 기술(SOTA) 방법보다 정확성과 누락 데이터에 대한 내성에서 뛰어난 성능을 보인다.

ABSTRACT

It is essential for the cellular network operators to provide cellular location services to meet the needs of their users and mobile applications. However, cellular locations, estimated by network-based methods at the server-side, bear with {\it high spatial errors} and {\it arbitrary missing locations}. Moreover, auxiliary sensor data at the client-side are not available to the operators. In this paper, we study the {\em cellular trajectory cleansing problem} and propose an innovative data cleansing framework, namely \underline{D}ynamic \underline{T}ransportation \underline{N}etwork based \underline{C}leansing (DTNC) to improve the quality of cellular locations delivered in online cellular trajectory services. We maintain a dynamic transportation network (DTN), which associates a network edge with a probabilistic distribution of travel times updated continuously. In addition, we devise an object motion model, namely, {\em travel-time-aware hidden semi-Markov model} ({\em TT-HsMM}), which is used to infer the most probable traveled edge sequences on DTN. To validate our ideas, we conduct a comprehensive evaluation using real-world cellular data provided by a major cellular network operator and a GPS dataset collected by smartphones as the ground truth. In the experiments, DTNC displays significant advantages over six state-of-the-art techniques.

연구 동기 및 목표

• 실시간 위치 서비스에서 높은 공간 오차와 임의의 누락된 위치로 인한 낮은 품질의 셀룰러 트래잭터리 데이터 문제를 해결한다.
• 클라이언트 측 센서 데이터에 접근할 수 없더라도 서버 측 셀룰러 데이터만을 사용하여 이동 물체의 정확하고 완전한 트래잭터리 재구성 기능을 제공한다.
• 실시간 교통 인식 모델링을 트래잭터리 정제에 통합한 확장성 있고 효율적이며 내성적인 프레임워크를 개발한다.
• 교통 관리, 도시 계획, 위치 기반 응용 분야에서 활용 가능한 셀룰러 트래잭터리 서비스의 신뢰성을 향상시킨다.

제안 방법

• 실시간 교통 데이터를 사용하여 지속적으로 업데이트되는 확률적 이동 시간 분포를 유지하는 동적 이동망(DTN)을 구축한다.
• DTN에서 이동한 가장 가능성이 높은 간선 시퀀스를 추론함으로써 물체의 운동을 모델링하는 이동 시간 인식 히든 준마르코프 모델(TT-HsMM)을 설계한다.
• 교통 인식 간선 분포에서 유도된 적응형 전이 확률과 방출 확률에 따라 각 셀룰러 위치에서의 위치 후보를 입자 기반 시뮬레이션으로 전파한다.
• 후속 셀룰러 위치와 방향 일관성이 있는 후보 간선 조각으로 입자를 분산시키는 확산 정책을 적용하여 추론 정확도를 향상시킨다.
• 가능도 기반으로 가장 가능성이 높은 입자 경로만을 선택하여 최종 정제된 물리적 위치를 추론함으로써 노이즈와 누락된 데이터에 대한 내성 확보한다.
• 주요 네트워크 운영자로부터의 실생활 셀룰러 데이터를 활용하여 실제 GPS 데이터를 기반으로 한 지상 진실 데이터를 활용해 프레임워크를 검증하고 校정한다.

실험 결과

연구 질문

• RQ1 클라이언트 측 센서 데이터에 접근할 수 없을 때, 어떻게 효과적으로 서버 측 셀룰러 위치 추정의 높은 공간 오차를 줄일 수 있는가?
• RQ2 실시간 이동 시간 분포를 가진 동적 이동망이 트래잭터리 정제 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 TT-HsMM 모델은 불규칙한 간격의 샘플링을 가진 복잡한 이동 패턴을 모델링할 때 기존의 HMM과 OHMM보다 어떻게 우월한가?
• RQ4 프레임워크는 어떻게 임의의 누락된 위치를 포함한 트래잭터리에서도 높은 정확도를 유지하면서 강건하게 작동할 수 있는가?
• RQ5 다양한 시간 간격에서, 균일한(even) 및 방향성 기반의 확산 정책이 트래잭터리 추론 성능에 어떤 영향을 미치는가?

주요 결과

• DTNC는 셀룰러 위치의 40%에서 공간 오차를 50미터 이내로 감소시켜 원시 셀룰러 데이터에 비해 정확도를 크게 향상시켰다.
• 프레임워크는 PF, HMM, OHMM, STRS, SnapNet, CTrack의 6개의 최신 기술 방법보다 정확성과 누락 데이터에 대한 내성에서 모두 뛰어난 성능을 보였다.
• 최대 110초의 시간 간격 동안 DTNC는 유클리드 이격도의 안정적인 분포를 유지하여 누락된 위치 시퀀스에 대한 강건성을 입증했다.
• 누락된 위치 길이가 20초에서 110초로 증가함에 따라 고품질 위치 비율(공간 오차 <50m)은 47%에서 41%로만 감소하여 강력한 내성성을 입증했다.
• 방향성 기반의 확산 정책은 짧은 시간 간격에서 성능 향상을 보였지만, 유사한 성능와 더 낮은 복잡도를 고려해 기본적으로 균일한 정책을 채택했다.
• 입자 수 |𝒜| = 15에서 확률 차이 비율이 안정화되어 정확성과 계산 비용 사이의 최적의 트레이드오���을 나타낸다.