[논문 리뷰] Mobility Prediction Using Non-Parametric Bayesian Model.

Jaeseong Jeong, Mathieu Leconte외 1명|arXiv (Cornell University)|2015. 07. 12.

Human Mobility and Location-Based Analysis참고 문헌 14인용 수 2

한 줄 요약

이 논문은 비모수 베이지안 방법을 활용하여 사용자 간 이동 패턴의 유사성을 식별하고 이용함으로써 개인 이동 경로 데이터가 제한된 상황에서도 정확도를 높이는 클러스터 보조 이동 예측기인 CAMP을 제안한다. 공통된 이동 행동을 가진 사용자를 동적으로 클러스터링함으로써, CAMP은 개인 경로만을 기반으로 하는 예측기보다 유의미하게 높은 정확도를 달성한다.

ABSTRACT

Predicting the future location of users in wireless net- works has numerous applications, and can help service providers to improve the quality of service perceived by their clients. The location predictors proposed so far estimate the next location of a specific user by inspecting the past individual trajectories of this user. As a consequence, when the training data collected for a given user is limited, the resulting prediction is inaccurate. In this paper, we develop cluster-aided predictors that exploit past trajectories collected from all users to predict the next location of a given user. These predictors rely on clustering techniques and extract from the training data similarities among the mobility patterns of the various users to improve the prediction accuracy. Specifically, we present CAMP (Cluster-Aided Mobility Predictor), a cluster-aided predictor whose design is based on recent non-parametric bayesian statistical tools. CAMP is robust and adaptive in the sense that it exploits similarities in users' mobility only if such similarities are really present in the training data. We analytically prove the consistency of the predictions provided by CAMP, and investigate its performance using two large-scale datasets. CAMP significantly outperforms existing predictors, and in particular those that only exploit individual past trajectories.

연구 동기 및 목표

• 개인 사용자 이동 경로 데이터가 희소할 경우 정확도가 떨어지는 이동 예측 문제를 해결한다.
• 개인 이력에만 의존하는 것이 아니라, 모든 사용자의 집단적 이동 패턴을 활용하여 예측 정확도를 향상시킨다.
• 통계적으로 유의미한 유사성일 때만 이를 활용하는, 강건하고 적응형 예측기를 개발한다.
• 비모수 베이지안 도구를 사용한 분석적 증명을 통해 예측의 이론적 일관성을 확보한다.
• 실제 대규모 이동 데이터셋을 활용하여 제안된 방법의 유효성을 입증한다.

제안 방법

• 이동 경로 유사성 기반으로 사용자를 클러스터링하기 위해 비모수 베이지안 모델, 특히 딜레트 프로세스 믹스를 활용한다.
• 사전에 클러스터 수를 설정하지 않고, 데이터의 본질적 구조에 맞게 동적으로 클러스터 수를 결정한다.
• 사용자 개인의 데이터가 제한된 경우에도 클러스터별 이동 패턴을 이용해 대상 사용자의 다음 위치를 추론한다.
• 계층적 베이지안 프레임워크를 통해 개인 및 클러스터 수준의 이동 정보를 통합하여 개인 학습과 집단 학습의 균형을 이룬다.
• 학습 데이터가 증가함에 따라 예측이 진짜 이동 분포로 수렴하도록 수렴성 증명을 적용한다.
• 실제 조건에서 모델을 훈련하고 검증하기 위해 대규모 실세계 데이터셋을 활용한다.

실험 결과

연구 질문

• RQ1 개인 사용자 데이터가 제한된 상황에서 사용자 간 집단 이동 패턴을 활용하면 예측 정확도가 향상되는가?
• RQ2 과적합을 피하면서도 이동 패턴의 의미 있는 유사성을 동적으로 식별하고 활용할 수 있는가?
• RQ3 비모수 베이지안 클러스터링 접근 방식이 개인 이동 경로 모델보다 더 일관되고 강건한 예측을 이끌어내는가?
• RQ4 CAMP는 다양한 이동 패턴에 걸쳐 기존 예측기보다 정확도와 적응성 면에서 어느 정도 뛰어나게 성능을 발휘하는가?

주요 결과

• CAMP는 개인 이동 경로에만 의존하는 전통적 예측기보다 유의미하게 뛰어나며, 특히 데이터가 적은 환경에서 두각을 나타낸다.
• 모델은 사용자 간 공유되는 이동 패턴을 효과적으로 식별하고 활용함으로써 더 높은 예측 정확도를 달성한다.
• 비모수 베이지안 설계 덕분에 사전 가정 없이 최적의 클러스터 수를 자동으로 결정할 수 있다.
• CAMP의 예측은 분석적으로 일관성이 증명되어 있어, 데이터가 증가함에 따라 진짜 이동 분포로 수렴한다.
• 두 개의 대규모 데이터셋에 대한 실증적 평가를 통해 CAMP의 강건성과 다양한 이동 시나리오에 대한 적응성이 확인되었다.
• 클러스터링을 활용함으로써 일반화 능력이 향상되어 과적합이 감소하고, 개인 데이터가 희소할 경우 성능이 향상된다.