[논문 리뷰] Activity recognition for a smartphone and web based travel survey

Youngsung Kim, Francisco C. Pereira외 4명|arXiv (Cornell University)|2015. 02. 12.

Human Mobility and Location-Based Analysis참고 문헌 23인용 수 6

한 줄 요약

이 논문은 웹 기반 여행 조사에서 스마트폰 센서로 측정한 이동 데이터를 바탕으로 인간의 활동 유형을 추론하기 위한 앙상블 학습 모델을 제안한다. 이 모델은 공간-시간 특징, 관심사지(POI), 그리고 교차 사용자 및 사용자별 사회경제적 특성 데이터를 활용한다. 다양한 사용자 집단에서 훈련된 다수의 분류기들을 융합하고, 점차적으로 개인 사용자 이력 데이터를 통합함으로써 일반화 능력과 정확도를 향상시키며, 특히 미리 보지 못한 사용자에 대해 뛰어난 성능을 발휘한다. 훈련 데이터가 축적될수록 성능이 향상된다.

ABSTRACT

In transport modeling and prediction, trip purposes play an important role since mobility choices (e.g. modes, routes, departure times) are made in order to carry out specific activities. Activity based models, which have been gaining popularity in recent years, are built from a large number of observed trips and their purposes. However, data acquired through traditional interview-based travel surveys lack the accuracy and quantity required by such models. Smartphones and interactive web interfaces have emerged as an attractive alternative to conventional travel surveys. A smartphone-based travel survey, Future Mobility Survey (FMS), was developed and field-tested in Singapore and collected travel data from more than 1000 participants for multiple days. To provide a more intelligent interface, inferring the activities of a user at a certain location is a crucial challenge. This paper presents a learning model that infers the most likely activity associated to a certain visited place. The data collected in FMS contain errors or noise due to various reasons, so a robust approach via ensemble learning is used to improve generalization performance. Our model takes advantage of cross-user historical data as well as user-specific information, including socio-demographics. Our empirical results using FMS data demonstrate that the proposed method contributes significantly to our travel survey application.

연구 동기 및 목표

• 기존 인터뷰 기반 여행 조사의 한계를 해결하기 위해, 데이터 품질이 낮고 활동 기반 모델링에 부적합한 표본 수가 부족한 문제를 해결한다.
• 인터랙티브 여행 조사에서 사용자 부담을 줄이기 위해 기계 학습을 활용해 활동 레이블링을 자동화한다.
• 공간적, 시간적, 맥락적 특징을 융합하여 실생활 노이즈가 많은 데이터에서 활동 인식 정확도를 향상시킨다.
• 사용자 간 및 사용자 내 데이터를 융합함으로써 모델의 일반화 능력을 향상시키며, 사회경제적 특성까지 포함한다.
• 누적되는 훈련 데이터가 본인의 데이터를 포함한 사용자와 본인의 데이터를 포함하지 않은 사용자 모두에 대해 모델 성능에 미치는 영향을 평가한다.

제안 방법

• 실생활 데이터의 GPS 노이즈와 공간적 불확실성을 다루기 위해 베이어드 다이어그램(Voronoi 다이어그램)을 활용한 공간 정량화 기법을 사용한다.
• 위치, 시간대, 전이 맥락(예: 이동 수단), 환경 맥락(예: 관심사지)에서 예측 가능한 특징을 추출한다.
• 다양한 사용자 집단과 사용자별 데이터에서 훈련된 다수의 기본 분류기들을 융합하는 앙상블 학습 프레임워크를 구현하여 안정성을 향상시킨다.
• 교차 사용자 역사 데이터와 사용자별 데이터의 예측 결과를 융합하며, 사회경제적 정보는 개인 맞춤화의 핵심 입력 요소로 활용한다.
• 순차적 학습 접근 방식을 통해 새로운 데이터가 도착함에 따라 모델 성능을 평가하며, 점진적 훈련을 통한 실생활 배포 시뮬레이션을 가능하게 한다.
• 지점 기반 분류(정류장 단위)뿐만 아니라 향후 HMM 또는 CRF와 같은 시퀀스 기반 모델로의 확장도 지원한다.

실험 결과

연구 질문

• RQ1 교차 사용자 역사 데이터와 사용자별 정보의 통합이 활동 인식 정확도에 어떤 영향을 미치는가?
• RQ2 자신의 역사 데이터에서 학습하는 것이 교차 사용자 데이터만을 사용할 때보다 분류 성능을 얼마나 향상시키는가?
• RQ3 사용자별 훈련 일수 증가에 따라 모델 성능이 어떻게 변화하는가?
• RQ4 공간 정량화 방법이 GPS 노이즈와 위치 불확실성을 다루는 데 어떤 영향을 미치는가?
• RQ5 사회경제적 특성의 포함 여부가 다양한 사용자 유형 간 일반화 능력 향상에 미치는 영향은 어떠한가?

주요 결과

• 교차 사용자 및 사회경제적 특성 데이터에서 훈련된 결과, 본인의 데이터를 포함하지 않은 사용자(미리 보지 못한 사용자)의 분류 정확도가 본인의 데이터를 포함한 사용자보다 더 높게 나타났다. 이는 첫 번째 경우에서 훨씬 더 많은 훈련 데이터가 확보되었기 때문이다.
• 미리 보지 못한 사용자에 대해선 사용자별 훈련 일수 증가에 따라 테스트 정확도가 뚜렷이 향상되었으며, 이는 개인 맞춤화의 가치를 입증한다.
• 미리 보지 못한 사용자에 대한 평균 분류 정확도는 사용자별 훈련 일수가 증가할수록 꾸준히 상승하며, 특히 훈련 데이터가 축적될수록 뚜렷한 향상이 관찰되었다.
• 테스트 정확도 곡선에서 5일차에 성능 저하가 발생한 것은, 사용자당 테스트 샘플 비율이 높아져 드문 활동 패턴이 더 많이 포함되었기 때문으로 분석된다.
• 다양한 사용자 집단에서 훈련된 다수의 분류기들을 융합함으로써 일반화 능력이 향상되었으며, 개별 분류기 학습보다 뛰어난 성능을 기록했다.
• 결과는 사용자별 학습이 정확도 향상에 기여하며, 순차적 데이터 수신 환경에서도 모델 성능이 안정적이고 확장 가능하다는 것을 확인한다.