[논문]Pedestrian GPS Trajectory Prediction Deep Learning Model and Method

Yoon, Seung-Won; Lee, Won-Hee; Lee, Kyu-Chul

doi:10.9708/jksci.2022.27.08.061

Pedestrian GPS Trajectory Prediction Deep Learning Model and Method 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.27 no.8, 2022년, pp.61 - 68

Yoon, Seung-Won (Dept. of Computer Science, Chung-nam National University) , Lee, Won-Hee (Dept. of Computer Science, Chung-nam National University) , Lee, Kyu-Chul (Dept. of Computer Science, Chung-nam National University)

초록
AI-Helper

본 논문에서는 딥러닝 모델 기반 보행자의 GPS 경로를 예측하는 시스템을 제안한다. 보행자 경로 예측은 보행자의 위험 및 충돌 상황들을 알림을 통해 방지할 수 있으며, 다양한 마케팅 등 비즈니스 면에서도 영향을 끼치는 연구이다. 또한 보행자 뿐 아니라 많은 각광을 받고 있는 무인 이동수단의 경로 예측에도 활용될 수 있다. 다양한 경로 예측 방식들 중 본 논문은 GPS 데이터를 활용하여 경로를 예측하는 연구이다. 시계열 데이터인 보행자의 GPS 경로를 학습하여 다음 경로를 예측하도록 하는 딥러닝 모델 기반 연구이다. 본 논문에서는 보행자의 GPS 경로를 딥러닝 모델이 학습할 수 있도록하는 데이터 셋 구성 방식을 제시하였으며, 예측 범위에 큰 제약이 없는 경로 예측 딥러닝 모델을 제안한다. 본 연구의 경로 예측 딥러닝 모델에 적합한 파라메터들을 제시하였으며, 우수한 예측 성능을 보이는 결과를 제시한다.

Abstract ▼ AI-Helper

In this paper, we propose a system to predict the GPS trajectory of a pedestrian based on a deep learning model. Pedestrian trajectory prediction is a study that can prevent pedestrian danger and collision situations through notifications, and has an impact on business such as various marketing. In addition, it can be used not only for pedestrians but also for path prediction of unmanned transportation, which is receiving a lot of spotlight. Among various trajectory prediction methods, this paper is a study of trajectory prediction using GPS data. It is a deep learning model-based study that predicts the next route by learning the GPS trajectory of pedestrians, which is time series data. In this paper, we presented a data set construction method that allows the deep learning model to learn the GPS route of pedestrians, and proposes a trajectory prediction deep learning model that does not have large restrictions on the prediction range. The parameters suitable for the trajectory prediction deep learning model of this study are presented, and the model's test performance are presented.

주제어

표/그림 (13)

그림 Fig. 1. Markov Chain State Transition Probability and State Transition Diagram
그림 Fig. 2. Support Vector Machine model
그림 Fig. 3. Example of image-based path prediction research
그림 Fig. 4. Trajectory prediction research through map grid
그림 Fig. 5. Our train data structure
그림 Fig. 6. Our test data structure
그림 Fig. 7. LSTM Deep Learning Model
그림 Fig. 8. Forget gate of LSTM
그림 Fig. 9. Cell state of LSTM
표 Table 1. Deep learning model performance table according to look_back length
표 Table 2. Deep Learning Model Performance Table by Forward_length (look_back=30)
표 Table 3. Time Series Prediction Deep Learning Model Performance Comparison Table (look_back=10)
표 Table 4. Time Series Prediction Deep Learning Model Performance Comparison Table (look_back=30)

AI 본문요약
AI-Helper

문제 정의

본 연구는 딥러닝 모델 기반 보행자의 GPS 경로를 예측하는 연구이다. 본 논문은 시계열 예측 관련연구들과 경로 예측 관련연구들을 제시하였으며, 딥러닝 모델 생성을 위해 경로 데이터를 Look_back과 Forward_length 개념을 생성하여 학습, 테스트 데이터를 구성하였다.
보행자의 경로를 예측하는 연구는 활용하는 데이터에 따라 영상을 통한 예측과 GPS 데이터를 통한 예측으로 나눌 수 있다. 본 연구팀은 예측 범위에 제한 없이 가장 넓은 범위의 보행자 경로를 예측할 수 있는 GPS 데이터를 통한 보행자 경로 예측 연구를 진행하였다. 본 연구팀은 경로예측을 위하여 다음과 같은 방법을 제시한다.

가설 설정

이러한 마르코프 체인을 전제로한 모델이 시계열 데이터를 다루는데 강점을 지닌 은닉 마르코프 모델(Hidden Markov Model) 이다. 은닉 마르코프 모델은 각 상태들이 마르코프 체인을 따르되 은닉(Hidden)되어 있다고 가정한다. 그러기에 출력치만 관측되고 상태의 흐름은 관측을 못 한다.

제안 방법

본 연구에서는 아웃라이어가 없는 정제된 데이터를 활용하여 모델을 생성하기에 데이터들을 0과 1 사이에 있도록 하는 MinMaxScaler를 활용하여 x,y 좌표를 생성한 모델에 직접 입력하였다. 그리하여 본 연구팀은 복잡한 GPS 데이터 셋을 MinMaxScaler를 적용하여 모델이 경로를 학습하는데 도움이 되도록 하였다.
본 연구는 딥러닝 모델 기반 보행자의 GPS 경로를 예측하는 연구이다. 본 논문은 시계열 예측 관련연구들과 경로 예측 관련연구들을 제시하였으며, 딥러닝 모델 생성을 위해 경로 데이터를 Look_back과 Forward_length 개념을 생성하여 학습, 테스트 데이터를 구성하였다. 우수한 예측 성능을 보이는 딥러닝 모델을 다양한 실험을 통하여 제시하였다.
GPS 경로 데이터 자체를 활용하기에 데이터 전처리에 많은 비용이 들지 않으며, 다른 연구방법들과 달리 경로 예측 범위에 제약을 받지 않는다. 본 연구는 제약없는 보행자의 넓은 범위의 경로를 예측하기 위하여 해당 GPS 자체를 학습하는 예측 방식을 적용하여 연구를 진행하였다.
평균과 표준편차를 사용하는 StandardScaler, 기본 스케일링과 최대 최소값이 각각 1과 0이 되도록하는 MinMaxScaler[16], 최대 절대값과 0이 각각 1과 0이 되도록하는 MaxAbsScaler, 마지막으로 중앙값(median)과 IQR(Interquartile range)를 사용하여 아웃라이어의 영향을 최소화하는 RobustScaler[17] 가 있다. 본 연구에서는 아웃라이어가 없는 정제된 데이터를 활용하여 모델을 생성하기에 데이터들을 0과 1 사이에 있도록 하는 MinMaxScaler를 활용하여 x,y 좌표를 생성한 모델에 직접 입력하였다. 그리하여 본 연구팀은 복잡한 GPS 데이터 셋을 MinMaxScaler를 적용하여 모델이 경로를 학습하는데 도움이 되도록 하였다.
즉, 이전 경로의 패턴 등을 파악하고 학습하면 다음 경로 예측이 가능하다는 것이다. 본 연구에서는 이전 경로들을 학습하여 다음 경로 위치를 예측하는 딥러닝 모델을 생성하였다.
본 연구진은 추가적으로 실제적으로 시계열 데이터에 특화된 딥러닝 모델인 RNN, GRU, LSTM 모델을 예측모델로 하여 실험을 진행하였다. 두 모델은 앞서 설명하였고, GRU 모델은 LSTM 모델의 구조를 조금 더 간단하게 개선한 모델로써, 3개의 게이트(Forget, Input, Output)를 활용하는 LSTM과 달리 2개의 게이트(Reset, Update) 만을 사용한다는 특징을 갖는다.
본 연구팀은 시계열 데이터인 경로 데이터를 예측하기 위해서 LSTM(Long Short Term Model)[19]을 개발하였 다. LSTM [Fig.
본 연구팀은 우수한 성능의 보행자 경로 예측 딥러닝 모델을 생성하였다. 또한 딥러닝 모델을 위한 학습 및 테스트 데이터 방법 또한 제시한다.
본 논문은 시계열 예측 관련연구들과 경로 예측 관련연구들을 제시하였으며, 딥러닝 모델 생성을 위해 경로 데이터를 Look_back과 Forward_length 개념을 생성하여 학습, 테스트 데이터를 구성하였다. 우수한 예측 성능을 보이는 딥러닝 모델을 다양한 실험을 통하여 제시하였다. 해당 보행자의 최적의 Look_back 길이를 제시하였으며, 본 연구의 모델이 다른 시계열 예측 딥러닝 모델보다 우수한 성능을 보임을 제시하였다.
또한 딥러닝 모델을 위한 학습 및 테스트 데이터 방법 또한 제시한다. 추가적으로 다양한 실험을 통해 보행자 데이터 최적의 파라메터들을 제시하고, 시계열 데이터 예측에 특화된 딥러닝 모델들과 성능을 비교평가 하였다.

대상 데이터

GPS 경로 데이터는 시계열 데이터이다. 시계열 데이터는 시간의 경과와 함께 일정한 간격마다 값이 기록되어 있는 데이터를 말한다.
본 연구에서 활용한 데이터 셋은 마이크로소프트 연구소가 수집한 GeoLife(Ver1.3)[15] 오픈 데이터 셋이다. 해당 데이터 셋은 182명의 대상자들의 경로로 이루어져있으며, 5년 동안 수집된 경로 데이터 셋이다.
총 17,621개의경로 데이터 셋으로 이루어져 있다. 본 연구팀은 해당 데이터 셋들 중 보행자의 데이터이며 온전히 경로 데이터 셋이 끊기지 않은 데이터를 선별하여 해당 딥러닝 모델에 학습데이터로 활용하였다. 해당 모델 학습을 위해 선정된 데이터는 2초 단위로 수집된 3,185개의 GPS 좌표(위도,경도)들로 이루어진 경로 데이터 셋이다.
위에서 언급한 GPS 좌표를 모델의 입력 데이터로 활용하였다. 원본데이터가 가지고 있는 고유의 특성과 분포를 그대로 딥러닝 모델이 학습하도록 하면 학습이 느리거나 문제가 발생하게 된다.
해당 데이터 셋은 182명의 대상자들의 경로로 이루어져있으며, 5년 동안 수집된 경로 데이터 셋이다. 총 17,621개의경로 데이터 셋으로 이루어져 있다. 본 연구팀은 해당 데이터 셋들 중 보행자의 데이터이며 온전히 경로 데이터 셋이 끊기지 않은 데이터를 선별하여 해당 딥러닝 모델에 학습데이터로 활용하였다.
딥러닝 모델은 5개의 LSTM 레이어로 구성하였으며, 전체 학습 횟수를 나타내는 에폭(Epoch)은 200, 학습 개수 단위인 배치(Batch)사이즈는 70으로 설정하였다. 총 3,185개의 보행자 경로 데이터들을 8:2 비율로 학습과 테스트 데이터를 구성하였다. 본 연구의 실험은 IIntel(R) Core(TM) i7-7700 CPU @ 3.
3)[15] 오픈 데이터 셋이다. 해당 데이터 셋은 182명의 대상자들의 경로로 이루어져있으며, 5년 동안 수집된 경로 데이터 셋이다. 총 17,621개의경로 데이터 셋으로 이루어져 있다.
본 연구팀은 해당 데이터 셋들 중 보행자의 데이터이며 온전히 경로 데이터 셋이 끊기지 않은 데이터를 선별하여 해당 딥러닝 모델에 학습데이터로 활용하였다. 해당 모델 학습을 위해 선정된 데이터는 2초 단위로 수집된 3,185개의 GPS 좌표(위도,경도)들로 이루어진 경로 데이터 셋이다.

데이터처리

손실함수는 실제 GPS 좌표와 모델이 예측한 좌표와의 거리를 최소화 하기위해 평균제곱오차(MSE)[20]를 활용하였다[Fig.9]. 딥러닝 모델의 최종적인 목표는 높은 정확도를 끌어내는 파라메터를 찾는 것이다.

이론/모형

경로 데이터와 같은 시계열 데이터 예측은 앞에서 언급 하였듯이, 바로 이전의 데이터를 기반으로 예측하는 Hidden Markov 모델 등과 같은 수학적 확률 예측 모델이 주로 활용되었다. 그러나 이런 수학적 확률 모델은 많은 이전 데이터를 학습 할 수 없는 문제점이 있다.
또한 시계열 데이터 예측에는 SVM모델도 사용되었다. SVM은 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, SVM 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 만든다.
본 연구 딥러닝 모델의 최적화 함수는 아담(Adam) 최적화 함수를 활용하였다. 딥러닝에서 최적화 기법은 학습속도를 빠르게 하며 안정적이게 한다.

성능/효과

Forward_length 가 길어지면 예측할 위치가 최종 학습데이터로부터 멀어지는 것이기에 성능치는 감소할 수 밖에 없을 것이다. 본 연구의 모델은 해당 실험에 대해 [Table 2]와 같은 성능을 보였으며, 예상과 같이 Forward_length가 길어질수록 예측 성능은 감소하였으나, 97, 96이상의 정확도를 보이며 우수한 예측성능을 보이는 모델임을 증명하였다. 즉, 본 모델은 보행자의 현재까지 위치를 기반으로 바로 다음 위치가 아닌 일정 시간 이후의 위치 또한 우수한 성능으로 예측함을 알 수 있다.
해당 보행자의 최적의 Look_back 길이를 제시하였으며, 본 연구의 모델이 다른 시계열 예측 딥러닝 모델보다 우수한 성능을 보임을 제시하였다. 본 연구의 보행자경로 예측 모델은 현재 시점까지의 학습된 경로를 기반으로 바로 다음 위치 뿐아니라 일정 시간 이후에 있을 위치까지도 예측할 수 있는 우수한 경로예측 모델이다.
우수한 예측 성능을 보이는 딥러닝 모델을 다양한 실험을 통하여 제시하였다. 해당 보행자의 최적의 Look_back 길이를 제시하였으며, 본 연구의 모델이 다른 시계열 예측 딥러닝 모델보다 우수한 성능을 보임을 제시하였다. 본 연구의 보행자경로 예측 모델은 현재 시점까지의 학습된 경로를 기반으로 바로 다음 위치 뿐아니라 일정 시간 이후에 있을 위치까지도 예측할 수 있는 우수한 경로예측 모델이다.

후속연구

본 연구진은 해당 연구를 더욱 발전하여 다양한 이동수단의 경로예측 딥러닝 연구를 진행할 것이며, 그에 적합한 Look_back, Forward_length를 찾는 실험을 진행할 것이다. 또한 단순한 거리 기반 손실함수가 아닌, 전체적인 흐름 등을 고려하는 경로 예측에 더욱 적합한 손실함수에 관한 연구를 심화하여 진행할 예정이다.
또한 보행자 뿐 아니라 다양한 무인 이동체의 경로예측 딥러닝 모델연구에도 많은 기여를 할 수 있는 연구이다. 본 연구진은 해당 연구를 더욱 발전하여 다양한 이동수단의 경로예측 딥러닝 연구를 진행할 것이며, 그에 적합한 Look_back, Forward_length를 찾는 실험을 진행할 것이다. 또한 단순한 거리 기반 손실함수가 아닌, 전체적인 흐름 등을 고려하는 경로 예측에 더욱 적합한 손실함수에 관한 연구를 심화하여 진행할 예정이다.

참고문헌 (20)

Piccolo, Domenico. "A distance measure for classifying ARIMA models." Journal of time series analysis 11.2: 153-164, March 1990. DOI: 10.1111/j.1467-9892.1990.tb00048.x

상세보기
McLeod, Allan I., and William K. Li. "Diagnostic checking ARMA time series models using squared-residual autocorrelations." Journal of time series analysis 4.4: 269-273, July 1983. DOI:10.1111/j.1467-9892.1983.tb00373.x

상세보기
Eddy, Sean R. "Accelerated profile HMM searches." PLoS computational biology 7.10: e1002195, October 2011. DOI: 10.1371/journal.pcbi.1002195

상세보기
Geyer, Charles J. "Practical markov chain monte carlo." Statistical science: 473-483, November 1992. DOI: 10.1214/ss/1177011137

상세보기
Gun-Tae Son, Jeong-Hwa Jeong, and Min-Wook Park. "Study of Hidden Markov Model for Speech Recognition1." CSAM (Communications for Statistical Applications and Methods) 5.1 (1998): 155-165.
Cherkassky, Vladimir, and Yunqian Ma. "Practical selection of SVM parameters and noise estimation for SVM regression." Neural networks 17.1: 113-126, January 2004. DOI: 10.1016/S0893-6080(03)00169-2

상세보기
Ouyang, Wanli, and Xiaogang Wang. "Single-pedestrian detection aided by multi-pedestrian detection." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, June 2013. DOI: 10.1109/cvpr.2013.411
Giuliari, Francesco, et al. "Transformer networks for trajectory forecasting." 2020 25th international conference on pattern recognition (ICPR). IEEE, January 2021. DOI: 10.1109/ICPR48806.2021.9412190
ANDLE, Joshua J., et al. The Stanford Drone Dataset is More Complex than We Think: An Analysis of Key Characteristics. IEEE Transactions on Intelligent Vehicles, April 2022. DOI: 10.1109/TIV.2022.3166642

상세보기
Z. Yang, M. Sun, H. Ye, Z. Xiong, G. Zussman and Z. Kostic, "Bird's-eye View Social Distancing Analysis System," 2022 IEEE International Conference on Communications Workshops (ICC Workshops), May 2022, pp. 427-432, doi: 10.1109/ICCWorkshops53468.2022.9814627.
Varshneya, Daksh, and G. Srinivasaraghavan. "Human trajectory prediction using spatially aware deep attention models." arXiv preprint arXiv:1705.09436, May 2017. DOI: 10.48550/arXiv.1705.09436
Endo, Yuki, et al. "Predicting destinations from partial trajectories using recurrent neural network." Pacific-Asia Conference on Knowledge Discovery and Data Mining. Springer, Cham, April 2017. DOI: 10.1007/978-3-319-57454-7_13
Duives, Dorine C., Guangxing Wang, and Jiwon Kim. "Forecasting pedestrian movements using recurrent neural networks: An application of crowd monitoring data." Sensors19.2 : 382, January 2019. DOI: 10.3390/s19020382

상세보기
LI, Zhe, et al. Grid map construction and terrain prediction for quadruped robot based on c-terrain path. IEEE Access, March 2020. DOI: 10.1109/ACCESS.2020.2977396

상세보기
Hassan, Md Rafiul, and Baikunth Nath. "Stock market forecasting using hidden Markov model: a new approach." 5th International Conference on Intelligent Systems Design and Applications (ISDA'05). IEEE, September 2005. DOI: 10.1109/isda.2005.85
Shaheen, Hera, Shikha Agarwal, and Prabhat Ranjan. "MinMaxScaler binary PSO for feature selection." First international conference on sustainable technologies for computational intelligence. Springer, Singapore, November 2020. DOI: 10.1007/978-981-15-0029-9_55
Qian, Huajie, et al. "RobustScaler: QoS-Aware Autoscaling for Complex Workloads." arXiv preprint arXiv:2204.07197, April 2022. DOI: 10.48550/arXiv.2204.07197
Cho, Kyunghyun, et al. "Learning phrase representations using RNN encoder-decoder for statistical machine translation." arXiv preprint arXiv:1406.1078, September 2014. DOI: 10.48550/arXiv.1406.1078
Yu, Yong, et al. "A review of recurrent neural networks: LSTM cells and network architectures." Neural computation 31.7: 1235-1270, July 2019. DOI: 10.1162/neco_a_01199

상세보기
Hodson, Timothy O. "Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not." Geoscientific Model Development 15.14, July 2022. DOI: 10.5194/gmd-15-5481-2022

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증