[논문 리뷰] Mobility prediction Based on Machine Learning Algorithms

Donglin Wang, Qiuheng Zhou외 3명|arXiv (Cornell University)|2021. 11. 12.

Human Mobility and Location-Based Analysis참고 문헌 9인용 수 4

한 줄 요약

이 논문은 고속도로 환경에서 차량 사용자의 이동성 예측 모델을 제안하며, SUMO 시뮬레이션에서 생성된 궤적 데이터를 사용하여 경로 선택을 분류한다. 400개의 학습 예제를 바탕으로 SVM는 다양한 테스트 세트 크기에서 평균 92.2%의 예측 정확도를 달성하여 모바일 네트워크 내 경로 예측에서 뛰어난 성능을 보였다.

ABSTRACT

Nowadays mobile communication is growing fast in the 5G communication industry. With the increasing capacity requirements and requirements for quality of experience, mobility prediction has been widely applied to mobile communication and has becoming one of the key enablers that utilizes historical traffic information to predict future locations of traffic users, Since accurate mobility prediction can help enable efficient radio resource management, assist route planning, guide vehicle dispatching, or mitigate traffic congestion. However, mobility prediction is a challenging problem due to the complicated traffic network. In the past few years, plenty of researches have been done in this area, including Non-Machine-Learning (Non-ML)- based and Machine-Learning (ML)-based mobility prediction. In this paper, firstly we introduce the state of the art technologies for mobility prediction. Then, we selected Support Vector Machine (SVM) algorithm, the ML algorithm for practical traffic date training. Lastly, we analyse the simulation results for mobility prediction and introduce a future work plan where mobility prediction will be applied for improving mobile communication.

연구 동기 및 목표

• 모바일 네트워크 내 차량 사용자 이동성을 예측하기 위해 기계학습 알고리즘, 특히 SVM의 성능을 평가하는 것.
• 모의 고속도로 환경에서의 실제와 유사한 궤적 데이터를 활용하여 실용적인 이동성 예측 모델을 개발하는 것.
• 이력 이동 패턴을 기반으로 미래의 경로 선택(경로1 대비 경로2)을 분류하는 데 있어 SVM의 성능을 평가하는 것.
• SVM이 5G 네트워크 및 지능형 교통 시스템에 적용 가능한 정확하고 저지연의 이동성 예측에 효과적으로 활용될 수 있음을 입증하는 것.

제안 방법

• SUMO를 사용하여 한 방향, 두 갈림길, 세 차선을 가진 고속도로 시나리오를 모델링하여 차량 이동성을 시뮬레이션했다.
• 100개의 시간 단위 동안 차량 궤적을 생성하였으며, 경로 선택은 '0'(직진) 또는 '1'(오른쪽 전환)로 레이블링되었다.
• scikit-learn를 사용하여 선형 커널을 적용한 선형 SVM 분류기를 구현하여 이동 특징을 기반으로 경로 선택을 예측했다.
• 학습 데이터 세트는 400개의 예제로 구성되었으며, 정확도 평가를 위해 테스트는 10개, 20개, ..., 100개의 예제로 수행되었다.
• 결정 경계를 시각화하여 경로1과 경로2 예측 간의 분리 품질을 평가했다.
• 예측 정확도는 올바르게 분류된 테스트 인스턴스 수를 총 테스트 인스턴스 수로 나눈 비율로 계산되었다.

실험 결과

연구 질문

• RQ1 고속도로 환경에서 이력 이동 데이터를 기반으로 한 SVM 모델이 차량의 향후 경로 선택을 얼마나 정확하게 예측할 수 있는가?
• RQ2 테스트 세트 크기가 SVM 기반 이동성 예측 모델의 예측 정확도에 미치는 영향은 무엇인가?
• RQ3 모의 교통 환경에서 직진 대비 오른쪽 전환과 같은 두 가지 다른 이동 패턴을 SVM 모델이 어떻게 분류하는가?
• RQ4 SVM 기반 예측 모델은 5G 네트워크에서 실시간 이동성 관리에 효과적으로 적용될 수 있는가?

주요 결과

• SVM 모델은 다수의 테스트 세트 크기에서 평균 92.2%의 예측 정확도를 달성하였으며, 개별 정확도는 86.07%에서 95% 사이로 변동하였다.
• 10개의 테스트 예제에서는 90%의 정확도를 기록하였고, 100개의 테스트 예제에서는 94%의 정확도를 달성하였다.
• 모델은 일관된 성능을 보였으며, 대부분의 테스트 세트 크기에서 90% 이상의 정확도를 기록하여 강건성을 입증하였다.
• 특성 공간에서 Y = -1.5에 위치한 선형 결정 경계는 두 경로 클래스 간의 효과적인 분리를 가능하게 하여 신뢰할 수 있는 분류를 뒷받침하였다.
• 테스트 데이터가 증가함에 따라 잘못된 예측가 발생하였으며, 100개의 데이터 중 3개가 잘못 분류되어 높은 부하 조건 하에서도 소규모 오분류가 발생하는 것으로 확인되었다.
• 시뮬레이션 결과는 SVM이 고속도로 환경에서의 이동성 예측에 실현 가능하고 정확한 방법임을 확인하였으며, 모바일 네트워크 관리에 통합하기에 적합하다.