[논문 리뷰] Metropolitan Scale and Longitudinal Dataset of Anonymized Human Mobility Trajectories

Takahiro Yabe, Kota Tsubouchi외 5명|arXiv (Cornell University)|2023. 07. 07.

Human Mobility and Location-Based Analysis인용 수 4

한 줄 요약

이 논문은 익명화되고 개방된 도시 규모의 장기적 인간 이동 데이터셋을 소개한다. 이 데이터셋은 익명의 일본 도시 지역에서 90일 간 모바일 폰 위치 핑을 통해 수집된 10만 명의 개인 이동 경로로 구성되어 있으며, HuMob Challenge 2023를 통해 이동 예측 모델의 공정한 벤치마킹을 가능하게 한다. 데이터셋은 공간적으로 500m×500m 격자 셀로, 시간적으로 30분 간격으로 이산화되어 있으며, 정상 행동 기간 75일과 비상 상황 기간 15일을 포함한다.

ABSTRACT

Modeling and predicting human mobility trajectories in urban areas is an essential task for various applications. The recent availability of large-scale human movement data collected from mobile devices have enabled the development of complex human mobility prediction models. However, human mobility prediction methods are often trained and tested on different datasets, due to the lack of open-source large-scale human mobility datasets amid privacy concerns, posing a challenge towards conducting fair performance comparisons between methods. To this end, we created an open-source, anonymized, metropolitan scale, and longitudinal (90 days) dataset of 100,000 individuals' human mobility trajectories, using mobile phone location data. The location pings are spatially and temporally discretized, and the metropolitan area is undisclosed to protect users' privacy. The 90-day period is composed of 75 days of business-as-usual and 15 days during an emergency. To promote the use of the dataset, we will host a human mobility prediction data challenge (`HuMob Challenge 2023') using the human mobility dataset, which will be held in conjunction with ACM SIGSPATIAL 2023.

연구 동기 및 목표

• 이동 예측 모델의 성능 비교를 위해 공정한 기준을 제공하기 위해 개방형, 대규모, 개인정보 보호를 고려한 인간 이동 데이터셋의 부족 문제를 해결하기 위해.
• 실제 장치에서 수집된 실제 이동 경로를 포함한 장기적이고 도시 규모의 데이터셋을 제공하여 정상 및 비상 상황 조건을 모두 포함하기 위해.
• ACM SIGSPATIAL 2023와 연계하여 데이터 챌린지(HuMob Challenge 2023)를 개최함으로써 재현 가능한 연구 및 벤치마킹을 가능하게 하기 위해.
• 고정밀도 익명화된 이동 데이터를 통해 도시 계획, 전염병 모델링 및 재난 위험 관리 지원을 위해.

제안 방법

• 약 5%의 Yahoo Japan 앱 사용자로부터 익명화된 모바일 폰 위치 핑을 수집하였으며, 사용자 ID 및 개인 정보(예: 성별, 연령)는 제거되었다.
• 위치 데이터는 공간적으로 500m×500m 격자 셀로, 시간적으로 30분 간격으로 이산화하여 개인정보를 보호하였다.
• 90일 간의 데이터셋은 정상적인 일상 행동 기간 75일과 이동 패턴이 변화한 비상 상황 기간 15일을 포함한다.
• 각 격자 셀에 대해 85차원의 벡터를 갖는 별도의 POI 데이터셋을 제공하여 다양한 관광지 유형의 수를 나타내었으며, 이름은 노출되지 않았다.
• 데이터셋은 Zenodo(DOI: 10.5281/zenodo.8111993)를 통해 배포되었으며, 이는 HuMob Challenge 2023를 통해 이동 경로 예측을 위한 챌린지 개최에 사용되었다.
• 경로 유사도 평가 및 국지적 특징 정확도 평가를 위해 동적 시간 왜곡(DTW) 및 GEO-BLEU 메트릭을 사용하였다.

Figure 1: Spatial layout of the target city and the grid cells. Each grid cell is approximately 500 meters x 500 meters, and the target area spans 200 x 200 grid cells.

실험 결과

연구 질문

• RQ1 대규모, 익명화, 장기적인 인간 이동 데이터는 개인의 개인정보를 보호하면서 어떻게 책임감 있게 수집하고 공유할 수 있는가?
• RQ2 실제 세계 데이터를 활용하여 기계 학습 모델이 도시 환경에서 마스킹된 이동 경로를 얼마나 정확하게 예측할 수 있는가?
• RQ3 비상 상황이 인간의 이동 패턴에 어떤 영향을 미치며, 모델은 정상 행동과 비정상 행동 기간 간에 일반화할 수 있는가?
• RQ4 보조 POI 데이터는 이동 경로 예측 모델의 정확도에 어떤 영향을 미치는가?
• RQ5 개방형 표준 데이터셋은 다양한 연구 팀 간의 인간 이동 예측 방법에 대한 공정하고 재현 가능한 벤치마킹을 가능하게 하는가?

주요 결과

• 이 데이터셋은 10만 명의 익명화된 개인의 90일 간 이동 경로를 포함하며, 정상 행동 기간 75일과 비상 상황 기간 15일을 포함한다.
• 이 데이터셋은 공간적으로 500m×500m 격자 셀로, 시간적으로 30분 간격으로 이산화되어 있어 사용자 개인정보를 보호한다.
• HuMob Challenge 2023가 성공적으로 개최되었으며, 10개의 상위 팀이 하이델베르크에서 열린 ACM SIGSPATIAL 2023에서 발표하였다.
• 챌린지는 두 가지 예측 과제로 구성되었으며, 과제 1은 2만 명의 마스킹된 개인을 대상으로 하고 과제 2는 2,500명의 마스킹된 개인을 대상으로 하였으며, 모두 경로 재구성 과제를 요구하였다.
• 평가 메트릭으로는 동적 시간 왜곡(DTW)과 GEO-BLEU가 사용되었으며, GEO-BLEU에 대한 공개 코드는 https://github.com/yahoojapan/geobleu 에서 제공된다.
• 이 데이터셋은 https://zenodo.org/record/8111993 에서 공개되어 있어 도시 이동 모델링 분야의 재현 가능한 연구를 가능하게 한다.

Figure 2: Histograms of the number of GPS location data pings and number of unique cells visited per user, across the 75 day period stored in Dataset 1.