[논문 리뷰] Learning Periodic Human Behaviour Models from Sparse Data for Crowdsourcing Aid Delivery in Developing Countries

James O. McInerney, Alex Rogers외 1명|arXiv (Cornell University)|2013. 09. 26.

Human Mobility and Location-Based Analysis참고 문헌 29인용 수 8

한 줄 요약

이 논문은 농촌 개발도상국의 주기적인 인간 이동 패턴을 활용하여 희소한 셀 타워 데이터와 정확한 마르코프 결정 프로세스(MDP) 설정을 통해 공동체 기반 구호물자 배달을 최적화하는 방법을 제안한다. 이 방법은 표준 계획 방식 대비 평균 배달 시간을 81.3% 감소시키며, 최신 기술 대비 이동 예측 정확도를 최소 25% 향상시킨다.

ABSTRACT

In many developing countries, half the population lives in rural locations, where access to essentials such as school materials, mosquito nets, and medical supplies is restricted. We propose an alternative method of distribution (to standard road delivery) in which the existing mobility habits of a local population are leveraged to deliver aid, which raises two technical challenges in the areas optimisation and learning. For optimisation, a standard Markov decision process applied to this problem is intractable, so we provide an exact formulation that takes advantage of the periodicities in human location behaviour. To learn such behaviour models from sparse data (i.e., cell tower observations), we develop a Bayesian model of human mobility. Using real cell tower data of the mobility behaviour of 50,000 individuals in Ivory Coast, we find that our model outperforms the state of the art approaches in mobility prediction by at least 25% (in held-out data likelihood). Furthermore, when incorporating mobility prediction with our MDP approach, we find a 81.3% reduction in total delivery time versus routine planning that minimises just the number of participants in the solution path.

연구 동기 및 목표

• 제한된 인프라를 가진 농촌 개발도상국에서 필수 물자 배달의 과제를 해결하기 위해.
• 희소한 실세계의 셀 타워 데이터에서 주기적인 인간 이동 패턴을 모델링하기 위해.
• 인간 이동 패턴을 활용하여 효율적이고 확장 가능한 최적화 프레임워크를 설계하기 위해.
• 이동 예측을 MDP 기반 계획과 통합하여 구호물자 물류의 총 배달 시간을 최소화하기 위해.
• 코트디부아르의 50,000명에 대한 실제 데이터를 바탕으로 방법을 평가하기 위해.

제안 방법

• 희소한 셀 타워 관측치에서 주기적인 인간 이동 패턴을 추론하기 위해 베이지안 모델을 개발하였다.
• 확률적 추론을 활용해 개인의 위치 행동에서 일일 및 주간 주기성을 모델링하였다.
• 기존에 계산이 불가능한 문제를 계산 가능하게 하기 위해 주기성을 활용한 정확한 MDP 설정을 제안하였다.
• 예측 가능한 이동 패턴을 기반으로 참가자를 선별하여 구호물자 배달 경로를 최적화하는 MDP 프레임워크를 설계하였다.
• 이동 예측 결과를 MDP에 통합하여 동적으로 최적의 배달 담당자를 선별하는 시스템을 구성하였다.
• 코트디부아르의 50,000명에 대한 실제 셀 타워 데이터를 사용하여 접근법을 평가하였다.

실험 결과

연구 질문

• RQ1 희소한 셀 타워 데이터에서 농촌 개발도상국의 주기적인 인간 이동 패턴을 정확하게 모델링할 수 있는가?
• RQ2 인간 이동의 주기성을 어떻게 활용하여 구호물자 배달의 배달 시간을 줄일 수 있는가?
• RQ3 MDP 기반의 구호물자 배달 시스템에서 학습된 이동 모델을 적용했을 때의 성능 향상은 어떠한가?
• RQ4 참가자 수를 최소화하는 기준 대비 제안된 방법은 어떤 차이를 보이는가?
• RQ5 베이지안 이동 모델은 최신 기술 대비 예측 정확도를 얼마나 향상시키는가?

주요 결과

• 제안된 베이지안 이동 모델은 최신 기술 대비 보류된 데이터의 우도를 최소 25% 향상시켰다.
• 주기성을 활용한 정확한 MDP 설정은 현실 세계의 제약 조건 하에서도 구호물자 배달 최적화를 실현 가능하게 하였다.
• MDP에 이동 예측을 통합함으로써 참가자 수를 최소화하는 일반적인 계획 방식 대비 총 배달 시간을 81.3% 감소시켰다.
• 희소한 데이터에서 주기적 행동을 성공적으로 추론하여 정보 부족 환경에서도 뛰어난 안정성을 입증하였다.
• 코트디부아르의 50,000명에 대한 실제 데이터에서 뚜렷한 성능 향상을 달성하였다.
• 결과는 개발 지역에서 인간 이동 패턴을 활용한 확장 가능하고 저비용의 분배 네트워크로의 실현 가능성을 입증하였다.