[논문 리뷰] Trajectory Flow Map: Graph-based Approach to Analysing Temporal Evolution of Aggregated Traffic Flows in Large-scale Urban Networks

Jiwon Kim, Kai Zheng외 3명|arXiv (Cornell University)|2022. 12. 06.

Human Mobility and Location-Based Analysis인용 수 4

한 줄 요약

이 논문은 도시 전체의 교통 동역학을 분석하기 위해 대규모 도시 이동 경로 데이터를 시간에 따라 변화하는 그래프로 변환하는 그래프 기반 방법인 Trajectory Flow Map를 소개한다. 도시 공간을 공간 세포로 분할하고, 세포 간 유량을 가중치가 부여된 방향성 있는 간선으로 모델링함으로써, 이동 패턴의 구조적 변화점(예: 정점에서 비정점으로의 전환)을 그래프 마이닝을 통해 탐지할 수 있으며, 이는 시간에 따른 교통 변화의 압축되고 해석 가능한 표현을 제공한다.

ABSTRACT

This paper proposes a graph-based approach to representing spatio-temporal trajectory data that allows an effective visualization and characterization of city-wide traffic dynamics. With the advance of sensor, mobile, and Internet of Things (IoT) technologies, vehicle and passenger trajectories are being increasingly collected on a massive scale and are becoming a critical source of insight into traffic pattern and traveller behaviour. To leverage such trajectory data to better understand traffic dynamics in a large-scale urban network, this study develops a trajectory-based network traffic analysis method that converts individual trajectory data into a sequence of graphs that evolve over time (known as dynamic graphs or time-evolving graphs) and analyses network-wide traffic patterns in terms of a compact and informative graph-representation of aggregated traffic flows. First, we partition the entire network into a set of cells based on the spatial distribution of data points in individual trajectories, where the cells represent spatial regions between which aggregated traffic flows can be measured. Next, dynamic flows of moving objects are represented as a time-evolving graph, where regions are graph vertices and flows between them are treated as weighted directed edges. Given a fixed set of vertices, edges can be inserted or removed at every time step depending on the presence of traffic flows between two regions at a given time window. Once a dynamic graph is built, we apply graph mining algorithms to detect change-points in time, which represent time points where the graph exhibits significant changes in its overall structure and, thus, correspond to change-points in city-wide mobility pattern throughout the day (e.g., global transition points between peak and off-peak periods).

연구 동기 및 목표

• 대규모 도시 이동 경로 데이터를 분석하여 도시 전체의 교통 동역학을 이해하는 데 도전 과제를 해결하기 위해.
• 도시 네트워크 전반의 집계된 교통 유량을 스케일러블하고 해석 가능한 표현으로 제공하기 위해.
• 시간에 따라 이동 패턴의 중요한 구조적 변화를 탐지하기 위해, 예를 들어 정점 시간과 비정점 시간 간의 전환과 같은 것들.
• 동적 그래프 구조를 사용하여 도시 교통의 시간적 변화를 시각화하고 특성화하기 위해.

제안 방법

• 도시 네트워크가 이동 경로 데이터 포인트의 공간 분포에 기반하여 공간 세포로 분할된다.
• 각 시간 창은 정점이 공간 세포를 나타내고, 방향성 있는 가중치 간선이 그들 사이의 집계된 교통 유량을 나타내는 동적 그래프로 생성된다.
• 시간 단위마다 세포 쌍 간의 유량 존재 여부에 따라 간선이 동적으로 삽입되거나 제거된다.
• 결과적으로 시간에 따라 변화하는 그래프 구조는 교통 패턴의 공간-시간적 진화를 포착한다.
• 변화점(전체 그래프 구조가 급격히 변화하는 시간 지점)을 탐지하기 위해 그래프 마이닝 기법이 적용된다.
• 변화점은 출퇴근 시간 전환과 같은 도시 전체 이동 행동의 주요 전환을 나타낸다.

실험 결과

연구 질문

• RQ1 대규모 도시 이동 경로 데이터를 시간에 따라 변화하는 동적 그래프 표현으로 효과적으로 변환할 수 있는 방법은 무엇인가? 이 표현은 교통 유량의 시간적 진화를 어떻게 포착하는가?
• RQ2 교통 유량 그래프에서 발생하는 구조적 변화 중 도시 이동 패턴의 의미 있는 이동 변화에 해당하는 것은 무엇인가?
• RQ3 그래프 기반 방법은 도시 전체 교통 동역학에서 중요한 변화점을 탐지할 수 있는가? 예를 들어 정점에서 비정점으로의 전환 같은 것들.
• RQ4 제안된 Trajectory Flow Map는 어떻게 복잡한 도시 이동 패턴을 압축되고 해석 가능한 방식으로 시각화할 수 있는가?

주요 결과

• Trajectory Flow Map는 대규모 도시 교통을 시간에 따라 변화하는 그래프의 시퀀스로 성공적으로 표현하여, 공간-시간적 유량 진동을 시각화할 수 있다.
• 그래프 마이닝을 통한 변화점 탐지로 이동 행동의 핵심 시간 전환(예: 출퇴근 시간 시작 또는 정오의 정체)을 식별할 수 있다.
• 이 방법은 집계된 교통 유량의 압축되고 정보적인 그래프 기반 추상화를 제공하여 데이터 복잡성을 줄이면서도 중요한 구조적 패턴을 유지한다.
• 이 접근법은 오직 이동 경로 데이터와 공간 분할만으로도 글로벌 이동 제도의 변화를 탐지하는 데 가능성을 입증한다.