[논문 리뷰] Smart City Development with Urban Transfer Learning

Leye Wang, Bin Guo외 1명|arXiv (Cornell University)|2018. 08. 05.

Human Mobility and Location-Based Analysis참고 문헌 19인용 수 4

한 줄 요약

이 논문은 스마트 시티의 쿨스타트 문제를 해결하기 위해 도시 간 전이 학습(urban transfer learning)을 제안한다. 이는 데이터가 적은 도시가 데이터가 풍부한 도시나 다양한 데이터 유형에서 지식을 활용할 수 있도록 한다. POI, 체크인, 이동성 데이터 등 다양한 도시 및 데이터 유형 간 표현 전이를 통해 예측 및 구현 과제를 향상시키며, 실험 결과 CityTransfer는 지역 전용 방법보다 호텔 입지 선정에서 뛰어난 성능을 보였다.

ABSTRACT

Nowadays, the smart city development levels of different cities are still unbalanced. For a large number of cities which just started development, the governments will face a critical cold-start problem: 'how to develop a new smart city service with limited data?'. To address this problem, transfer learning can be leveraged to accelerate the smart city development, which we term the urban transfer learning paradigm. This article investigates the common process of urban transfer learning, aiming to provide city planners and relevant practitioners with guidelines on how to apply this novel learning paradigm. Our guidelines include common transfer strategies to take, general steps to follow, and case studies in public safety, transportation management, etc. We also summarize a few research opportunities and expect this article can attract more researchers to study urban transfer learning.

연구 동기 및 목표

• 신규 도시가 서비스를 구현하기 위해 충분한 데이터를 확보하지 못하는 스마트 시티 개발의 쿨스타트 문제를 해결하기 위해.
• 도시 계획자들이 전이 학습을 효과적으로 적용할 수 있도록 도와주는 체계적인 도시 전이 학습 프레임워크를 제공하기 위해.
• 실제 도시 응용 분야에서 도시 간 및 모달 간 지식 전이의 실현 가능성과 효율성을 입증하기 위해.
• 전이 가능성 평가 및 개인정보 보호를 고려한 데이터 활용과 같은 핵심 과제와 연구 기회를 규명하기 위해.

제안 방법

• 세 단계로 구성된 통합된 도시 전이 학습 프레임워크를 제안: 도메인 정렬, 공유 표현 학습, 타겟 과제 학습.
• 특징 기반 전이를 사용하여 소스 도시(예: 베이징)에서 유사한 도시 간 지역 쌍을 유사한 특징으로 매핑하는 공유 표현 공간을 학습한다.
• 모델 기반 전이를 적용하여, 제한된 현지 데이터를 사용해 타겟 도시(예: 상하이, 시안)에서 사전 훈련된 모델을 미세조정한다.
• POI, 체크인, 이동 패턴 등 다양한 데이터 모달 간의 다중 소스 지식을 통합된 임베딩 공간에 통합한다.
• 도메인 간 격차를 줄이기 위해 적대적 훈련을 활용하여 전이 가능성 향상.
• 도시 간 및 모달 간 지식을 통합한 사례 기반 알고리즘인 CityTransfer를 설계하여 기업 시설 배치에 활용한다.

실험 결과

연구 질문

• RQ1 어떻게 전이 학습을 체계적으로 적용하여 스마트 시티 개발에서의 데이터 부족 문제를 해결할 수 있는가?
• RQ2 도시 간 및 데이터 모달 간 지식 전이에 있어 가장 효과적인 전략은 무엇인가?
• RQ3 시설 배치와 같은 중요한 응용 분야에서 부정적 전이를 방지하기 위해 소스 도메인과 타겟 도메인 간 전이 가능성은 어떻게 평가할 수 있는가?
• RQ4 개인정보 보호를 고려한 도시 데이터는 확장 가능하고 윤리적인 도시 전이 학습을 어떻게 가능하게 할 수 있는가?

주요 결과

• 전이 학습 기반의 호텔 입지 선정 모델인 CityTransfer는 단지 지역적 인파 데이터에 의존하는 전통적인 경험적 방법보다 뛰어난 성능을 보였다.
• 한팅, 7일, 홈인 등 중국의 세 대표 호텔 체인을 대상으로 한 실험 결과, CityTransfer가 선정한 입지가 기준 방법보다 훨씬 더 많은 고객을 유치하는 것으로 나타났다.
• 이 프레임워크는 데이터가 풍부한 소스 도시(예: 베이징)에서 데이터가 부족한 타겟 도시(예: 난징, 시안)로 지식을 효과적으로 전이하여 배치 정확도를 향상시켰다.
• 도시 간 및 모달 간 전이 전략은 도시 예측 및 배치 과제에 있어 매우 효과적인 것으로 확인되었다.
• 부정적 전이를 방지하기 위해 전이 가능성 평가는 핵심적인 요소로 규명되었으며, 특히 반복적이지 않은 응용 분야인 시설 배치에 있어 중요성이 높았다.
• 적대적 신경망이 도시 간 도메인 격차를 줄이고 특징 전이 가능성 향상에 유망한 성과를 보였다.