[논문 리뷰] A Survey on Trajectory Data Management, Analytics, and Learning

Sheng Wang, Zhifeng Bao외 2명|arXiv (Cornell University)|2020. 03. 25.

Data Management and Algorithms참고 문헌 191인용 수 26

한 줄 요약

이 종합 검토는 궤적 데이터 관리, 분석 및 딥 러닝에 대한 포괄적인 개요를 제공하며, 사전 처리, 저장, 유사도 검색, 군집화 및 실시간 응용 프로그램을 포함한다. 궤적 분석을 위한 통합 프레임워크를 제안하고 스마트 시티의 자율 주행 궤적 처리를 포함한 핵심 과제와 향후 방향성을 밝힌다.

ABSTRACT

Recent advances in sensor and mobile devices have enabled an unprecedented increase in the availability and collection of urban trajectory data, thus increasing the demand for more efficient ways to manage and analyze the data being produced. In this survey, we comprehensively review recent research trends in trajectory data management, ranging from trajectory pre-processing, storage, common trajectory analytic tools, such as querying spatial-only and spatial-textual trajectory data, and trajectory clustering. We also explore four closely related analytical tasks commonly used with trajectory data in interactive or real-time processing. Deep trajectory learning is also reviewed for the first time. Finally, we outline the essential qualities that a trajectory data management system should possess in order to maximize flexibility.

연구 동기 및 목표

• 도시 응용을 위한 궤적 데이터 관리 및 분석에 대한 체계적인 검토를 제공하기 위해.
• 유사도 검색 및 군집화와 같은 궤적 분석 작업 간에 공유되는 핵심 구성 요소와 연산자 식별하기 위해.
• 스마트 시티의 실시간 및 상호작용 분석 응용 프로그램을 검토하기 위해, 이는 이동 예측 및 공중보건 모니터링을 포함한다.
• 딥 궤적 학습의 새로운 추세와 자율 주행 차량 데이터를 탐색하기 위해.
• 성능 벤치마크, 파rameterization, 데이터 통합 과제를 포함한 핵심 연구 격차를 부각하기 위해.

제안 방법

• 궤적 데이터를 공간 전용 및 공간-텍스트 형식으로 분류하고, 점과 궤적에 대한 형식적 정의를 제공한다.
• 노이즈 필터링, 궤적 압축, 공간 및 그래프 데이터베이스와의 데이터 통합을 포함한 궤적 사전 처리 기법을 검토한다.
• 유사도 검색을 위한 색인 구조 및 거리 측정 방법을 분석하며, 효율성과 잘라내기 능력을 강조한다.
• 공통 연산자인 유사도 검색, 상위-k 검색, 군집화 및 쿼리 처리를 기반으로 한 궤적 분석을 위한 통합 프레임워크를 제안한다.
• 표현 학습, 예측, 온라인 추론를 포함한 딥 궤적 학습을 위한 연구 계획을 제안한다.
• 미래 궤적 관리 시스템의 요구 사항을 요약하며, 유연성, 실시간 처리 및 이질적 데이터 소스 지원을 강조한다.

실험 결과

연구 질문

• RQ1 궤적 데이터 분석에서 기본 구성 요소와 공유되는 연산자는 무엇인가?
• RQ2 어떻게 궤적 데이터를 실시간 도시 응용을 위해 효율적으로 관리하고 분석할 수 있는가?
• RQ3 대규모 데이터셋에 대한 궤적 유사도 검색, 군집화 및 색인화의 핵심 과제는 무엇인가?
• RQ4 딥 러닝은 궤적 표현, 예측 및 쿼리 최적화에 어떻게 활용될 수 있는가?
• RQ5 궤적 시스템의 성능 벤치마크, 파rameterization 및 데이터 통합 과제에서의 핵심 연구 격차는 무엇인가?

주요 결과

• 궤적 데이터 관리는 공간, 텍스트 및 시간 데이터를 통합적으로 지원할 필요가 있으며, 공간-텍스트 궤적이 응용 프로그램에서 점점 더 일반화되고 있다.
• 유사도 검색과 군집화는 다양한 응용 분야에서 기초적인 연산자이며, 성능은 색인 구조와 거리 측정 방법에 크게 의존한다.
• 딥 궤적 학습은 표현 학습, 이동 예측 및 합성 데이터 생성 분야에서 잠재력을 보이고 있으나, 쿼리 최적화 및 학습된 색인은 아직 탐색되지 않은 분야이다.
• 자율 주행 차량은 고주기, 단기, 차선 수준의 궤적을 생성할 것으로 예상되며, 저지연, 스트리밍 분석 솔루션이 필요하다.
• 코로나19와 같은 유행병 동안 질병 통제를 위한 공중보건 응용은 실시간 궤적 분석과 접촉 추적의 생명 구원 잠재력을 보여준다.
• 표준화된 성능 벤치마크와 기준 평가 데이터의 부족은 궤적 알고리즘 개발의 공정한 비교와 진전을 저해한다.