[논문 리뷰] Review and Perspective for Distance Based Trajectory Clustering

Philippe Besse, Brendan Guillouet외 2명|arXiv (Cornell University)|2015. 08. 20.

Data Management and Algorithms참고 문헌 11인용 수 30

한 줄 요약

이 논문은 시간에 민감하지 않고 궤적의 기하학적 형태, 물리적 근접성, 총 길이를 기반으로 궤적을 비교하는 새로운 형태 기반 궤적 거리인 대칭화된 세그먼트-경로 거리(SSPD)를 제안한다. 계층적 군집화와 친화도 전파를 통해 평가된 결과, 특히 왜곡 기반 방법에 비해 우수한 성능을 보이며, 군집 내 유사도 기준이 가장 낮고, 도로 네트워크 상의 운전자 행동 패턴을 반영하는 균일하고 해석 가능한 군집을 생성한다.

ABSTRACT

In this paper we tackle the issue of clustering trajectories of geolocalized observations. Using clustering technics based on the choice of a distance between the observations, we first provide a comprehensive review of the different distances used in the literature to compare trajectories. Then based on the limitations of these methods, we introduce a new distance : Symmetrized Segment-Path Distance (SSPD). We finally compare this new distance to the others according to their corresponding clustering results obtained using both hierarchical clustering and affinity propagation methods.

연구 동기 및 목표

• 시간에 의존하거나 계산 비용이 큰 거리 기반의 기존 궤적 군집화 방법의 한계를 해결하기 위해.
• GPS 매핑이나 시간 정렬이 필요 없이 궤적의 형태와 공간적 근접성을 반영하는 데이터 기반, 도로 네트워크에 종속되지 않는 거리 측도를 개발하기 위해.
• 실제 차량 궤적 데이터를 대상으로 계층적 군집화(CAH)와 친화도 전파(AP)를 통해 다양한 궤적 거리 측도의 성능을 평가하기 위해.
• 형태 일致성과 군집 균일성 기반으로 차량 궤적 군집화에 최적의 거리 측도를 규명하기 위해.
• 도착지 예측과 같은 응용 분야에서 운전자 행동을 더 정확하게 모델링하기 위해.

제안 방법

• 시간 색인에 의존하지 않고 궤적을 전체 기하학적 객체로 비교하는 형태 기반 거리인 대칭화된 세그먼트-경로 거리(SSPD)를 제안한다.
• SSPD는 총 궤적 길이, 경로 세그먼트 간의 변동성, 대응 세그먼트 간의 물리적 거리를 기반으로 이질성을 측정하며, 일관성을 보장하기 위해 대칭화된 공식을 사용한다.
• 시간 샘플링이나 GPS 정밀도에 대한 가정 없이 궤적을 선형 세그먼트의 시퀀스로 모델링하기 위해 조각별 선형 궤적 표현을 적용한다.
• 군집화 성능 평가를 위해 워드 연결을 사용한 계층적 군집화(CAH)와 친화도 전파(AP)를 적용한다.
• 군집 품질 평가를 위해 Within-Like 및 Between-Like 기준을 사용하며, 낮은 Within-Like 값은 더 우수한 군집 균일성을 의미한다.
• 성능 향상을 위해 정적 타이핑과 C 수학 라이브러리 호출을 활용한 파이썬 및 사이썬 구현을 통해 계산 효율성을 비교한다.

실험 결과

연구 질문

• RQ1 특히 왜곡 기반 및 형태 기반 거리 측도가 차량 궤적 군집화에서 어떻게 성능을 내는가?
• RQ2 시간에 민감하지 않고 형태를 고려하는 거리 측도가 기존의 DTW나 LCSS와 같은 전통적 방법보다 군집화 품질을 향상시킬 수 있는가?
• RQ3 제안된 SSPD 거리 측도가 기존 대안보다 더 균일하고 해석 가능한 군집을 도출할 수 있는가?
• RQ4 다양한 거리 측도와 군집화 알고리즘에 대해 최적의 군집 수는 얼마인가?
• RQ5 실제 구현에서 SSPD의 계산 효율성은 다른 거리 측도와 비교해 어떻게 되는가?

주요 결과

• CAH-Ward와 친화도 전파 군집화에서 모든 군집 크기에서 SSPD가 가장 낮은 Within-Like 기준을 기록하여 뛰어난 군집 균일성을 보였다.
• 친화도 전파에서 SSPD는 38개의 군집을 필요로 했지만, CAH-Ward에서 발견된 최적의 20개 군집보다는 높았으나, 여전히 일관되고 해석 가능한 군집을 생성했다.
• 왜곡 기반 거리 측도(DTW 및 LCSS)는 가장 열악한 군집화 결과를 보였으며, LCSS는 DTW보다 현저히 열악했다.
• 형태 기반 거리 측도(Fréchet, Hausdorff, Discrete Fréchet)는 왜곡 기반 방법보다 우수한 성능을 보였고, Fréchet와 Hausdorff는 매우 유사한 성능을 보였다.
• 사이썬으로 구현된 SSPD는 정적 타이핑과 C 수학 라이브러리 통합 덕분에 뛰어난 계산 효율성을 보였으며, 백트래킹 단계가 없어 DTW와 LCSS보다 빠른 성능을 기록했다.
• 시각적 분석을 통해 SSPD 기반 군집은 궤적의 경로 유사성에 따라 그룹화되었으며, 명확한 공간 일관성과 낮은 군집 내 변동성을 보였다.