[論文レビュー] DeepSpace: An Online Deep Learning Framework for Mobile Big Data to Understand Human Mobility Patterns

Xi Ouyang, Chaoyun Zhang+3 more|arXiv (Cornell University)|Oct 22, 2016

Human Mobility and Location-Based Analysis参考文献 26被引用数 41

ひとこと要約

DeepSpaceは、変更を加えたCNNを用いたオンラインで階層的な深層学習フレームワークを提案し、モバイルビッグデータから人間の移動行動を予測する。150時間間隔での予測で71.29%の正確性を達成し、空間的スケール不変性と局所的依存性モデリングを活用することで、ノイズが多く高次元なモバイルデータストリームに対しても安定した性能を維持する。

ABSTRACT

In the recent years, the rapid spread of mobile device has create the vast amount of mobile data. However, some shallow-structure models such as support vector machine (SVM) have difficulty dealing with high dimensional data with the development of mobile network. In this paper, we analyze mobile data to predict human trajectories in order to understand human mobility pattern via a deep-structure model called "DeepSpace". To the best of out knowledge, it is the first time that the deep learning approach is applied to predicting human trajectories. Furthermore, we develop the vanilla convolutional neural network (CNN) to be an online learning system, which can deal with the continuous mobile data stream. In general, "DeepSpace" consists of two different prediction models corresponding to different scales in space (the coarse prediction model and fine prediction models). This two models constitute a hierarchical structure, which enable the whole architecture to be run in parallel. Finally, we test our model based on the data usage detail records (UDRs) from the mobile cellular network in a city of southeastern China, instead of the call detail records (CDRs) which are widely used by others as usual. The experiment results show that "DeepSpace" is promising in human trajectories prediction.

研究の動機と目的

• 高次元でストリーミングされるモバイルビッグデータから人間の移動行動パターンを予測する課題に対処すること。
• SVMのような浅いモデルが、モバイルデータ内の複雑な空間時間的パターンを処理する際の制限を克服すること。
• 継続的なモバイルデータストリームをリアルタイムで処理できるオンライン学習システムを構築すること。
• 粗いおよび細かい空間モデルを備えた階層的CNNアーキテクチャを導入することで、予測の正確性と耐障害性を向上させること。
• 従来のCDRの代わりに使用明細記録（UDRs）を用いて、実世界のモバイルネットワークデータ上でモデルを評価すること。

提案手法

• 粗い予測モデルと複数の細かい予測モデルを備えた階層的CNN構造を採用し、異なる空間スケールに対応する。
• 通常のCNNをオンライン学習システムに変更し、再訓練を再開することなく継続的なデータストリームを処理できるようにする。
• 人間の移動経路における近接する位置間の空間的相関を捉えることで、局所的依存性を活用する。
• 時間間隔の変動や移動イベントの時間的ペーシングの変化に対しても、モデルが安定した性能を発揮できるようにスケール不変性を実現する。
• 中国南部のモバイルセルラー網から収集した実際のUDRsを用いてモデルを訓練および評価する。
• 並列処理アーキテクチャにより、粗いモデルと細かいモデルを同時に実行し、推論効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 深層学習フレームワークは、高次元なモバイルビッグデータから人間の移動行動パターンを効果的に予測できるか？
• RQ2 オンライン学習環境において、階層的CNNアーキテクチャは通常のCNNと比較して予測正確性をどのように向上させるか？
• RQ3 実世界のモバイルデータにおけるノイズや時間間隔の変動に対して、モデルはどの程度耐性を示すか？
• RQ4 頻繁な移動と安定した移動を示すユーザーの両方において、モデルの性能はどのように変化するか？
• RQ5 モバイルネットワークからのUDRsは、人間の移動行動予測の観点でCDRの代替として実用的か？

主な発見

• DeepSpaceは150時間間隔で71.29%の予測正確性を達成し、全テスト時間間隔で通常のCNNを上回る。
• モデルは高い安定性と正確性を維持し、時間間隔の増加に伴っても粗いモデルおよび細かいモデルの両方で85%以上の正確性を示す。
• 頻繁な移動を示すユーザーに対しては、DeepSpaceは57.83%の正確性を達成するが、通常のCNNは35.77%にとどまるため、より優れたノイズ耐性を示す。
• 階層的構造により、通常のCNNと比較して性能低下が約10%減少し、長期的なシーケンスにおける一般化性能の向上が示された。
• 可視化比較では、予測経路が大多数のケースで実際の経路とよく一致しているが、まれな移動や一時的な移動は見逃されることがある。
• 一貫した移動パターンを示すユーザーに対しては特に優れた性能を発揮し、そのようなケースでは最大97.2%の正確性を達成した。