[論文レビュー] A survey on trajectory clustering analysis

Jiang Bian, Dayong Tian+2 more|arXiv (Cornell University)|Feb 20, 2018

Data Management and Algorithms参考文献 96被引用数 79

ひとこと要約

この調査は軌跡クラスタリング手法をレビューし、教師なし、教師あり、半教師ありアプローチに分類し、表現、距離測定、モデル、将来の方向性について論じます。

ABSTRACT

This paper comprehensively surveys the development of trajectory clustering. Considering the critical role of trajectory data mining in modern intelligent systems for surveillance security, abnormal behavior detection, crowd behavior analysis, and traffic control, trajectory clustering has attracted growing attention. Existing trajectory clustering methods can be grouped into three categories: unsupervised, supervised and semi-supervised algorithms. In spite of achieving a certain level of development, trajectory clustering is limited in its success by complex conditions such as application scenarios and data dimensions. This paper provides a holistic understanding and deep insight into trajectory clustering, and presents a comprehensive analysis of representative methods and promising future directions.

研究の動機と目的

• 監視、異常行動検知、群衆分析、交通制御における軌跡クラスタリングの包括的理解を提供する。
• 軌跡の類似性を測るために用いられるデータ表現、特徴抽出、および距離指標を要約する。
• 教師なし・教師あり・半教師ありカテゴリの代表的な手法をレビューし、それぞれの利点と限界を論じる。
• データの異質性、可変長の軌跡、計算スケーラビリティなどの課題を強調し、将来の方向性を提案する。

提案手法

• 軌跡クラスタリング手法を教師なし、教師あり、半教師ありに分類します。 軌跡表現（統一長さ、変換、リサンプリング、サブ軌跡、POI、スケール不変特徴）を論じます。 距離測度（ユークリッド、ハウスドフ、ベータ… Bhattacharyya、Frechet、DTW、LCSS、ほか）とそれらのトレードオフを比較します。 教師なしモデルを説明します：密集クラスタリング（DBSCAN、K-means/EM/FCM）、階層クラスタリング、スペクトラルクラスタリング。 教師ありアプローチを説明します：最近傍、SVM、ベイジアン/推論モデル、ニューラルネットワーク（CNNs、DNNs、SOM）。 半教師あり手法と典型的なワークフローを概説します。
• 計算上の配慮、長所と制約の観点から方法論的カテゴリを比較します（例：密度に基づく vs スペクトラル vs 階層的アプローチ）。
• 軌跡の長さ、表現、距離指標がクラスタリング結果に与える影響を総合的に整理します。

実験結果

リサーチクエスチョン

• RQ1 異なるアルゴリズムカテゴリ全体で、軌跡クラスタリングに用いられる主な表現と距離測度は何か？
• RQ2 性能、スケーラビリティ、およびさまざまな領域への適用可能性の観点で、教師なし・教師あり・半教師ありの軌跡クラスタリング手法はどう比較されるか？
• RQ3 軌跡クラスタリングの現状の課題と制限は何か、また提案されている将来の方向性は何か？
• RQ4 変換、リサンプリング、サブ軌跡抽出などの前処理ステップはクラスタリング結果にどのような影響を与えるか？
• RQ5 ニューラルネットワークと確率モデルは軌跡クラスタリングでどのような役割を果たし、そのトレードオフは何か？

主な発見

• 軌跡クラスタリング手法は、データ要件と適用例が異なる教師なし、教師あり、半教師ありのカテゴリに整理される。
• 多様な軌跡表現（統一長さ、曲線フィット、サブ軌跡、POI、スケール不変特徴）と距離指標（DTW、LCSS、Hausdorff、Frechet、Euclidean、Bhattacharyya）を用いて類似性を測定し、それぞれ異なるトレードオフを持つ。
• 密集型クラスタリングモデル（例：DBSCAN）は多くの軌跡解析を支配するが、密度変動には苦労することがある；階層的およびスペクトラルクラスタリングは補完的な長所と制約を提供する。
• 教師ありアプローチはラベル付きデータを活用してクラスタリングを改善し、最近傍法、SVM、ベイズ/推論モデル、ニューラルネットワークベースの手法を用いて軌跡を分類またはセグメント化できる。
• 半教師あり手法はラベル付きデータとラベルなしデータのバランスを取り、ラベリング負荷を軽減しつつ性能を維持する。
• 本調査は軌跡長の統一、計算複雑性、シーン固有の適応といった実用的な考慮事項を論じ、今後の研究方向を示している。