[논문 리뷰] Modeling Taxi Drivers' Behaviour for the Next Destination Prediction

Alberto Rossi, Gianni Barlacchi외 2명|arXiv (Cornell University)|2018. 07. 21.

Human Mobility and Location-Based Analysis참고 문헌 46인용 수 5

한 줄 요약

이 논문은 ECML/PKDD 2015 경쟁 대회 수상자 대비 평균 오차 거리(0.355 km)에서 10.5% 향상된 성능을 달성한 Long Short-Term Memory (LSTM) 순환 신경망을 제안한다. 이 모델은 Foursquare의 위치 기반 소셜 네트워크(LBSN) 데이터에서 유래한 자기주의(self-attention) 및 위치 임베딩을 사용하여 택시의 다음 목적지 정확한 GPS 좌표를 예측하며, 다중 클래스 분류가 아닌 회귀 문제로 간주한다. 모델은 운전자 기록과 의미적 위치 특징만을 사용한다.

ABSTRACT

In this paper, we study how to model taxi drivers' behaviour and geographical information for an interesting and challenging task: the next destination prediction in a taxi journey. Predicting the next location is a well studied problem in human mobility, which finds several applications in real-world scenarios, from optimizing the efficiency of electronic dispatching systems to predicting and reducing the traffic jam. This task is normally modeled as a multiclass classification problem, where the goal is to select, among a set of already known locations, the next taxi destination. We present a Recurrent Neural Network (RNN) approach that models the taxi drivers' behaviour and encodes the semantics of visited locations by using geographical information from Location-Based Social Networks (LBSNs). In particular, RNNs are trained to predict the exact coordinates of the next destination, overcoming the problem of producing, in output, a limited set of locations, seen during the training phase. The proposed approach was tested on the ECML/PKDD Discovery Challenge 2015 dataset - based on the city of Porto -, obtaining better results with respect to the competition winner, whilst using less information, and on Manhattan and San Francisco datasets.

연구 동기 및 목표

• 최근 승차 및 하차 지점들을 바탕으로 운전자 행동 패턴을 모델링하여 택시 기사의 다음 목적지 예측 정확도를 향상시키기 위해.
• 전체 GPS 경로에 대한 의존도를 줄이고 운전자 기록과 의미적 위치 특징에 집중하여.
• 목적지 예측을 회귀 작업으로 간주함으로써 정확한 좌표를 출력함으로써 예측 정확도를 향상시키기 위해.
• Foursquare POI 데이터와 같은 위치 기반 소셜 네트워크(LBSN)에서 유래한 지리적 의미를 모델에 통합하여 더 rich한 공간 표현을 가능하게 하기 위해.
• 출발 시 실시간으로 즉각적인 예측을 가능하게 하여 효율적인 플릿 운행 및 도시 이동성 계획을 지원하기 위해.

제안 방법

• 모델은 과거 승차 및 하차 지점의 시퀀스를 운전자 행동 기록으로 인코딩하기 위해 Long Short-Term Memory (LSTM) 네트워크를 사용한다.
• 각 위치는 학습된 임베딩 레이어를 통해 임베딩되며, 입력 특징으로는 one-hot 인코딩된 구역 식별자(BOC)와 Foursquare POI 카테고리에서 유도된 Word2Vec 스타일 임베딩(W2V)이 포함된다.
• 자기주의(self-attention) 메커니즘이 LSTM 히든 상태에 적용되어, 다음 목적지를 예측하는 데 있어 과거 위치들 중 중요도가 높은 요소를 가중치화한다.
• 출력 레이어는 사전에 정의된 위치 집합에서 선택하는 대신, 다음 하차 지점의 정확한 위도와 경도를 예측하기 위해 회귀를 수행한다.
• 예측된 좌표에 대한 평균 제곱오차(MSE) 손실을 사용하여 모델을 엔드 투 엔드로 훈련한다.
• Foursquare POI 데이터를 활용하여 도시 구역의 의미적 표현을 향상시키며, 카테고리 유형과 공간적 근접성 등을 고려하여 임베딩 품질을 향상시킨다.

실험 결과

연구 질문

• RQ1 운전자 최근 승차 및 하차 기록만을 사용하여 운전자 행동 패턴을 모델링하면 다음 목적지 예측 정확도가 향상되는가?
• RQ2 정확한 좌표를 예측하는 회귀 문제로 간주하는 것이 기존의 다중 클래스 분류 접근 방식보다 우수한가?
• RQ3 Foursquare와 같은 위치 기반 소셜 네트워크(LBSN)의 의미적 특징이 예측 성능에 어느 정도 기여하는가?
• RQ4 포르투, 맨해튼, 샌프란시스코와 같은 다양한 도시 환경에서 모델의 성능은 어떠한가?
• RQ5 모델은 운행 시작 시 실시간으로 즉각적인 예측을 가능하게 하여 운행 효율성을 향상시킬 수 있는가?

주요 결과

• 포르투 데이터셋에서 LSTM (BOC+W2V) 모델은 ECML/PKDD 2015 경쟁 수상자 대비 평균 오차 거리(0.355 km)에서 10.5% 상대적 향상을 달성했다.
• 맨해튼 데이터셋에서는 MMLP 기준선 대비 오차 거리를 18% 감소시켜 보다 우수한 일반화 성능을 입증했다.
• GPS 포인트가 밀도가 높은 샌프란시스코에서는 MMLP 기준선이 초기 및 후기 경로 포인트에 의존하기 때문에 더 우수한 성능를 보였지만, LSTM (BOC+W2V)는 MMLP-SEQ 대비 17% 우수한 성능를 기록했다.
• 맨해튼에서는 좌표 정밀도가 중요한 이유로 인해 회귀 기반 접근 방식이 다중 클래스 분류보다 유의미하게 뛰어난 성능를 보였다.
• Foursquare POI 데이터 및 구역 임베딩(W2V) 통합으로 기준 LSTM 모델 대비 예측 정확도가 향상되어 의미적 공간 특징의 가치를 확인했다.
• 모델은 운전자 최근 기록만을 사용하여 즉각적인 예측을 가능하게 하여 실시간 운행 시스템에 적합하다.