[논문 리뷰] Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach

Baichuan Mo, Zhan Zhao외 2명|arXiv (Cornell University)|2021. 01. 11.

Human Mobility and Location-Based Analysis참고 문헌 25인용 수 11

한 줄 요약

이 논문은 이동 수단 스마트카드 데이터를 사용하여 잠재적인 활동 패턴을 모델링함으로써 개인의 다음 이동 시간과 위치를 예측하는 해석 가능한 입력-출력 은닉 마르코프 모델(IOHMM)을 제안한다. LSTM과 같은 블랙박스 모델과 달리, 이 모델은 연속적인 이동 시작 시간과 이산적인 목적지를 동시에 예측하면서도 잠재적인 활동 행동을 드러내어, 정확도는 LSTM과 유사하지만 교통 응용 분야에서 더 높은 행동 해석 가능성 확보를 달성한다.

ABSTRACT

Individual mobility is driven by demand for activities with diverse spatiotemporal patterns, but existing methods for mobility prediction often overlook the underlying activity patterns. To address this issue, this study develops an activity-based modeling framework for individual mobility prediction. Specifically, an input-output hidden Markov model (IOHMM) framework is proposed to simultaneously predict the (continuous) time and (discrete) location of an individual's next trip using transit smart card data. The prediction task can be transformed into predicting the hidden activity duration and end location. Based on a case study of Hong Kong's metro system, we show that the proposed model can achieve similar prediction performance as the state-of-the-art long short-term memory (LSTM) model. Unlike LSTM, the proposed IOHMM model can also be used to analyze hidden activity patterns, which provides meaningful behavioral interpretation for why an individual makes a certain trip. Therefore, the activity-based prediction framework offers a way to preserve the predictive power of advanced machine learning methods while enhancing our ability to generate insightful behavioral explanations, which is useful for enhancing situational awareness in user-centric transportation applications such as personalized traveler information.

연구 동기 및 목표

• 기존 이동 예측 모델이 시간을 이산적 카테고리로 취급하고 행동 해석이 부족한 점을 해결하기 위해.
• 직접적인 시퀀스 예측이 아닌 잠재적인 활동 패턴에 의해 이동이 이뤄진다는 점을 모델링하기 위해.
• 통합 프레임워크를 통해 다음 이동의 연속적인 시간과 이산적인 목적지를 동시에 예측하기 위해.
• 숨겨진 활동 지속 시간과 전이 패턴을 추출하여 이동 행동에 대한 해석 가능한 통찰을 제공하기 위해.
• 해석 가능성 유지 조건에서 최신 딥러닝 모델인 LSTM과의 성능 비교를 통해 모델의 성능를 검증하기 위해.

제안 방법

• 개인 이동을 은닉 활동의 시퀀스로 모델링하기 위해 입력-출력 은닉 마르코프 모델(IOHMM)을 사용한다.
• 이동 시작 시간을 연속적인 방출 변수로 간주함으로써, 임의의 시간 이산화 없이 연속적인 시간 예측이 가능하도록 한다.
• 해석 가능성 확보를 위해 문맥적 공변량(예: 요일, 날씨)을 사용한 선형 모델을 활용해 활동 지속 시간을 모델링한다.
• 스마트카드 거래 시퀀스에서 은닉 활동 상태를 추론하며, 각 거래는 하나의 이동에 해당한다.
• 활동 간 전이 확률(예: 집 → 직장 → 기타)을 추정하여 행동 패턴을 드러낸다.
• HMM의 생성 메커니즘을 활용해 활동 지속 시간과 목적지를 동시에 추론함으로써, 예측 과제를 활동 기반 추론으로 전환한다.

실험 결과

연구 질문

• RQ1 활동 기반 은닉 마르코프 모델은 시퀀스 기반 모델보다 개인의 다음 이동 시간과 위치 예측에서 더 우수한 성능을 보일 수 있는가?
• RQ2 해석 가능한 행동 분석을 가능하게 하면서도 예측 정확도를 어느 정도 유지할 수 있는가?
• RQ3 날씨 및 요일과 같은 문맥적 요인이 모델 내 개인의 활동 지속 시간에 어떤 영향을 미치는가?
• RQ4 공공 교통 체계에서 개인 이동 행동의 배경이 되는 잠재적인 활동 전이 패턴은 무엇인가?
• RQ5 IOHMM 프레임워크는 LSTM과 같은 딥러닝 베이스라인 모델에 비해 예측 성능와 해석 가능성 측면에서 어떻게 비교되는가?

주요 결과

• IOHMM 모델은 다음 이동 시간과 위치 예측에서 최신 기술인 LSTM 모델과 유사한 예측 성능를 확보하였다.
• 모델은 마르코프 체인과 기본 HMM과 같은 벤치마크 모델보다 예측 정확도에서 뚜렷한 우수성을 보였다.
• 추정된 활동 지속 시간 파라미터는 비오는 날에 모든 활동 유형에서 활동 지속 시간이 증가함을 보여주며, 이는 이동 지연 행동을 시사한다.
• 월요일에는 직장 활동과 기타 활동의 지속 시간이 길어지고, 일요일에는 직장 활동 지속 시간이 감소하고 집 활동 지속 시간이 증가함을 보였다.
• 공휴일은 집 활동 지속 시간을 증가시키고, 직장 및 기타 활동 지속 시간을 감소시켜 일상 루틴 변화를 반영한다.
• 활동 전이 행렬은 '기타' 활동 이후 '직장' 활동이 가장 높은 확률로 나타남을 보여주며, 이는 직장 관련 잡행이 흔하다는 것을 시사한다.