[논문 리뷰] Visual Analytics of Movement Pattern Based on Time-Spatial Data: A Neural Net Approach

Zhenghao Chen, Jianlong Zhou외 1명|arXiv (Cornell University)|2017. 07. 09.

Data Visualization and Analytics참고 문헌 8인용 수 3

한 줄 요약

이 논문은 시간-공간 이동 데이터를 위한 신경망 기반 시각적 분석 프레임워크를 제안하며, 백엔드 데이터베이스, 군집화를 위한 자기조직화 맵(SOM), 예측을 위한 순환 신경망(RNN)을 통합한다. 이 시스템은 2차원 히트맵, 3차원 시간-공간 큐브, 애니메이션을 통해 상호작용 가능한 시각화를 가능하게 하여 실생활 응용 분야인 상업적 프 motion 및 야생동물 영향 평가에서 이동 패턴 예측과 비정상 교통 행동 탐지에 높은 정확도를 달성한다.

ABSTRACT

Time-Spatial data plays a crucial role for different fields such as traffic management. These data can be collected via devices such as surveillance sensors or tracking systems. However, how to efficiently an- alyze and visualize these data to capture essential embedded pattern information is becoming a big challenge today. Classic visualization ap- proaches focus on revealing 2D and 3D spatial information and modeling statistical test. Those methods would easily fail when data become mas- sive. Recent attempts concern on how to simply cluster data and perform prediction with time-oriented information. However, those approaches could still be further enhanced as they also have limitations for han- dling massive clusters and labels. In this paper, we propose a visualiza- tion methodology for mobility data using artificial neural net techniques. This method aggregates three main parts that are Back-end Data Model, Neural Net Algorithm including clustering method Self-Organizing Map (SOM) and prediction approach Recurrent Neural Net (RNN) for ex- tracting the features and lastly a solid front-end that displays the results to users with an interactive system. SOM is able to cluster the visiting patterns and detect the abnormal pattern. RNN can perform the predic- tion for time series analysis using its dynamic architecture. Furthermore, an interactive system will enable user to interpret the result with graph- ics, animation and 3D model for a close-loop feedback. This method can be particularly applied in two tasks that Commercial-based Promotion and abnormal traffic patterns detection.

연구 동기 및 목표

• 대규모 시간-공간 이동 데이터를 분석하여 패턴 탐색과 예측하는 데 도전 과제를 해결하기 위해.
• 스케일이 가능하고 정확한 특징 추출을 위해 전통적인 시각화 및 군집화 방법을 개선하기 위해 딥러닝 기법을 통합하기 위해.
• 그래픽, 애니메이션, 3차원 모델을 통해 사용자가 복잡한 이동 패턴을 탐색하고 해석할 수 있도록 상호작용 가능한 프론트엔드 시스템을 개발하기 위해.
• 실생활 문제에 응용하기 위해, 상업적 사용자 프 motion 및 자연 보존지역의 야생동물 영향 탐지와 같은 분야에 프레임워크를 적용하기 위해.

제안 방법

• 시간-공간 데이터를 관리하고 필요에 따라 시간 기반 데이터베이스를 생성하기 위해 관계형 및 동적 비관계형 데이터베이스를 융합한 하이브리드 백엔드를 사용한다.
• 자기조직화 맵(SOM)을 사용하여 이동 패턴을 군집화하고, 공간적 및 시간적 특징을 바탕으로 정상적이고 비정상적인 방문자 행동을 식별한다.
• 시간-시리즈 예측을 위해 순환 신경망(RNN), 특히 장기적 단기 기억(LSTM)을 사용하여 이동 물체의 향후 위치를 예측한다.
• 프론트엔드 시스템은 2차원 히트맵, 3차원 시간-공간 큐브, 관계 지도, 애니메이션을 사용하여 결과를 시각화하여 사용자 해석과 피드백을 지원한다.
• 데이터 수신, 특징 추출(군집화 및 예측), 상호작용 가능한 시각화를 통합하여 폐쇄형 분석 시스템을 구축한다.
• 시스템은 중국의 모바일 사용자 활동 데이터와 VAST 2017 대회에서 제공한 자연 보존지역의 차량 경로 데이터 두 가지 실세계 데이터셋을 대상으로 검증되었다.

실험 결과

연구 질문

• RQ1 신경망 기반 방법은 기존의 통계적 및 시각화 기법에 비해 대규모 시간-공간 이동 데이터의 군집화 및 예측을 어떻게 향상시킬 수 있는가?
• RQ2 상호작용 가능한 시각화는 복잡한 이동 패턴과 비정상적 행동을 이해하는 데 사용자가 어떻게 기여하는가?
• RQ3 RNN 기반 모델은 시간-공간 데이터에서 향후 이동 패턴을 예측하는 데 기존의 기계학습 모델보다 뛰어난 성능을 보일 수 있는가?
• RQ4 SOM을 통한 군집화로는 어떻게 비정상적인 교통 패턴을 탐지할 수 있으며, 이는 민감한 생태학적 지역에서 장기간 차량이 머무르는 것과 같은 고영향 사건을 나타낼 수 있는가?

주요 결과

• RNN은 VAST 2017 자연 보존지역 데이터셋에서 92.3%의 최고 예측 정확도를 기록하여 SVM(87.6%), KNN(84.2%), 랜덤 포레스트(79%)를 모두 앞섰다.
• SOM 군집화 방법은 네 가지의 명확하고 비정상적인 차량 패턴을 성공적으로 식별하였으며, 그 중 하나는 보존지역에 92일간 머물러 있어 장기적인 생태학적 영향을 초래한 것으로 나타났다.
• 상호작용 가능한 3차원 시간-공간 큐브와 히트맵은 비정상 군집의 궤적과 체크인 빈도를 명확히 시각화하여 고영향 차량을 신속하게 탐지하는 데 기여했다.
• RNN 예측 결과는 오후 19:00–20:00 사이 실제 교통 패턴과 매우 유사했으며, 일반 게이트 6에서 출발하는 네 가지 주요 이동 경로를 정확히 묘사했다.
• 시스템은 사전에 고밀도 이동 지점인 모바일 스테이션을 식별하여 타겟 광고 유도 등 상업적 프 motion에 실질적인 통찰을 제공했다.
• 이 프레임워크는 상업적 및 생태학적 응용 분야에서 뛰어난 성능을 보이며 실세계 시간-공간 분석에 대한 유연성과 확장성을 입증했다.