선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 맥락적 정보에 의존하고, 추출한 새로운 특징을 확장된 Contextual LSTM 기반 딥러닝 모델에 통합했다. 두 개의 데이터 셋으로 제안된 모델을 평가하고 맥락적인 정보를 통합하는 것이 사람의 이동성을 표현하는 데 도움이 됨을 보여준다.
- 이동 경로 데이터로부터 추출할 수 있는 흥미로운 맥락적 특징은 많이 있다. 앞으로 사용자의 선호도 및 장소의 인기도를 정의하기 위해 텍스트 정보(예: 태그, 팁 및 리뷰)와 시각적 정보(예: 장소 사진) 또한 통합해보려고 한다.
제안 방법
- 그림3은 새롭게 확장된 LSTM 구조이다. LSTM의 메모리 셀 내/외부로의 정보 흐름을 조절하는 기존의 입력/출력/망각 게이트 안에 추출한 특징 벡터를 추가하여 Contextual LSTM으로 확장한다. 식1은 확장된 LSTM 게이트의 동작 식이다.
- [11]에서 제안한 특징으로, 각 POI의 평균 체류 시간과 횟수, 해당 POI와 같은 카테고리의 POI들의 평균 체류 시간과 횟수, 그리고 제약조건(거리, 시간)을 이용하여 사용자의 POI에 대한 개인적인 카테고리 선호도 점수를 구한다.
- 개인별 POI 카테고리 선호도 점수와 마찬가지로 사용자가 각 POI에서 한 활동에 대해서 평균 체류시간과 횟수와 제약조건을 이용하여 사용자의 POI에 대한 활동 선호도 점수를 구한다.
- 이동 경로의 맥락적인 정보들을 은닉 상태에 통합하는 것이 사용자의 이동성을 표현하는데 훨씬 도움이 된다. 그러나, 기본적인 LSTM(Vanilla LSTM)은 POI와 관련된 맥락적인 정보를 처리하는데 적합하지 않기 때문에 확장된 LSTM을 제안한다. 그림3은 새롭게 확장된 LSTM 구조이다.
- 다음 표 1는 각 데이터에 대한 예측 결과의 F1 점수와 pairs-F1 점수입니다. 논문에서 제안된 모델들은 확장한 Contextual LSTM 기반 VAE 모델에 각각 특징1(POI 순위), 특징2(POI 선호도(카테고리)), 특징3(POI 선호도(활동))을 통합한 것이다. F1, pairs-F1 점수 측면에서 전반적으로 모든 Baseline보다 맥락적 특징을 통합한 모델이 그렇지 않은 모델에 비해 성능이 크게 개선된 것을 볼 수 있다.
- 본 논문에서는 예측한 이동 경로의 정확성과 방문순서의 타당성을 측정하기 위해 두 가지 메트릭 (Metrics)을 사용하여 평가하고, 각 특징별로 통합한 제안 된 모델과 기존의 이동 경로 예측 모델들과 비교 한다.
- 본 논문에서는 위치, 시간 정보뿐만 아니라 전체이동 경로에 적용되는 사람의 이동성에 영향을 미치는 새로운 특징 (1) 지역 POI(Point of Interest) 순위 점수, (2) 활동 관련 사용자 POI 선호도, 그리고 (3) 카테고리 관련 사용자 POI 선호도를 추출하고, 이와 같은 맥락적 특징들을 통합하여 POI 시퀀스를 예측하는 Contextual LSTM 기반 딥 러닝 모델 기법을 제안한다.
- 이동 경로 데이터로부터 사람의 이동성에 영향을 미치는 3가지 특징을 추출했고, 추출한 특징별로 모델에 통합하여 학습하였다.
- 제안된 모델은 사용자의 이동 경로 데이터로부터 더욱 풍부한 정보를 인코딩하고 이를 통해 사용자의 다음 이동 경로를 예측한다.
- 구체적으로 설명하면, 사용자들의 이동 경로 데이터들로부터 위치 정보뿐만 아니라 사람의 이동성에 영향을 미치는 새로운 특징점을 파악하기 위한 특징 추출(Feature Extraction)이 요구된다. 추출된 특징은 지역의 POI 순위 점수, POI 활동 선호도 점수, POI 카테고리 선호도 점수이며, 이 특징들은 모델의 입력이 될 이동 경로 데이터에 매핑 (Mapping) 된다. 순환 인코더(Recurrent Encoder)는 입력 시퀀스로부터 각 순간의 은닉 상태(hidden state)를 추출하고, 이동 경로 데이터의 맥락적인 정보를 통합하여 전반적인 정보를 나타내는 컨텍스트 벡터(context vector)를 인코딩한다.
대상 데이터
- 모든 데이터 셋에 대해서, 훈련을 위해 90%를 무작위 선택하여 훈련 데이터로 사용하고, 나머지 10%는 테스트 데이터로 사용하였다.
- 서울시 성동구 데이터는 위치수집 앱인 트래카(Traccar)[14]를 사용해서 2주 기간의 성동구 주변 사람들의 위치를 수집한 데이터이다. 각 장소의 카테고리를 9개로 분류했다.
이론/모형
- 즉, 사람들의 특정 지역에 대한 지식과 그 지역의 POI들의 흥미도는 상호증강 관계를 가진다. 그래서 우리는 그래프 기반 랭킹 알고리즘인 HITS 알고리즘[10]을 사용하여 Authority 점수를 구한다. 단순히 모든 사용자들의 특정 지역의 POI에 대한 방문 횟수와 빈도수로 POI의 인기도를 결정하는 게 아니라 특정 지역의 여행 경험이 많은 사람의 방문 횟수와 빈도수에 더욱 영향을 받은 POI들의 순위 점수를 구한다.
- 아래 그림 2는 현재 순간까지의 이동 경로 데이터로부터 다음 이동 경로를 예측하기 위한 모델의 구성도이다. 최근 자연어 처리 학습에 큰 효과를 보여준 인코더 디코더 구조의 변분 오토인코더(VAE) 모델을 사용했으며, 긴 입력 시퀀스에 대한 장기의존성 문제를 해결하기 위해 어텐션 메커니즘을 적용했다. 각 인코더, 디코더는 LSTM 순환 신경망으로 이루어져 있다.
성능/효과
- 제안된 모델은 더 큰 데이터 셋에서 약간 더 나은 성능을 보였다. 그리고 HITS 알고리즘, POI 선호도 식을 사용해서 얻은 새로운 특징들은 이동 경로 데이터를 나타내는 데 좋은 지침이라는 것을 보여주며, 새롭게 확장한 LSTM으로 더 유의미한 정보를 내재한 컨텍스트 벡터를 제공한다는 걸 보여준다. 이동 경로 데이터로부터 추출할 수 있는 흥미로운 맥락적 특징은 많이 있다.
- F1, pairs-F1 점수 측면에서 전반적으로 모든 Baseline보다 맥락적 특징을 통합한 모델이 그렇지 않은 모델에 비해 성능이 크게 개선된 것을 볼 수 있다. 기존 VAE보다 어텐션 메커니즘을 적용한 VAE가 좀 더 우수한 성능을 보이고, 시간 거리 차이만 맥락적 특징으로 통합하여 학습시킨 CATHI는 더욱 향상이 되었다. 즉, 제안된 모델의 맥락적인 정보 인코딩이 이동 경로의 정보를 잘 내재하며, 예측에 큰 영향을 미친다는 뜻이며, 우리가 추가로 넣은 새로운 맥락적 정보 중 사용자 POI 선호도(카테고리) 특징2가 사용자의 이동성에 가장 큰 영향을 미친다는 것을 알 수 있다.
- 본 논문에서는 맥락적 정보에 의존하고, 추출한 새로운 특징을 확장된 Contextual LSTM 기반 딥러닝 모델에 통합했다. 두 개의 데이터 셋으로 제안된 모델을 평가하고 맥락적인 정보를 통합하는 것이 사람의 이동성을 표현하는 데 도움이 됨을 보여준다. 제안된 모델은 더 큰 데이터 셋에서 약간 더 나은 성능을 보였다.
- 또한, 제안한 모델이 다른 방법에 비해 표준편차의 값이 낮은 것을 보았을 때, 더 안정적이라는 걸 알 수 있다.
- 위의 2개의 모델은 기존의 LSTM을 그대로 사용한 모 델들이고, CATHI는 LSTM을 확장하여 맥락적 특징을 통합한 모델이다.
- 이 평가 결과는 어텐션 메커니즘이 인코더-디코더 구조 모델을 향상시키는 데 기여를 하며, LSTM의 확장에 대한 주장을 뒷받침하며 맥락적 특징을 통합한 LSTM의 변형이 사람의 이동성 모델링에 효율적이고, 개인별 이동성을 내재하는 맥락적 특징들이 이동 경로 예측에 큰 영향을 미친다는 것을 알 수 있다.
- 두 개의 데이터 셋으로 제안된 모델을 평가하고 맥락적인 정보를 통합하는 것이 사람의 이동성을 표현하는 데 도움이 됨을 보여준다. 제안된 모델은 더 큰 데이터 셋에서 약간 더 나은 성능을 보였다. 그리고 HITS 알고리즘, POI 선호도 식을 사용해서 얻은 새로운 특징들은 이동 경로 데이터를 나타내는 데 좋은 지침이라는 것을 보여주며, 새롭게 확장한 LSTM으로 더 유의미한 정보를 내재한 컨텍스트 벡터를 제공한다는 걸 보여준다.
- 기존 VAE보다 어텐션 메커니즘을 적용한 VAE가 좀 더 우수한 성능을 보이고, 시간 거리 차이만 맥락적 특징으로 통합하여 학습시킨 CATHI는 더욱 향상이 되었다. 즉, 제안된 모델의 맥락적인 정보 인코딩이 이동 경로의 정보를 잘 내재하며, 예측에 큰 영향을 미친다는 뜻이며, 우리가 추가로 넣은 새로운 맥락적 정보 중 사용자 POI 선호도(카테고리) 특징2가 사용자의 이동성에 가장 큰 영향을 미친다는 것을 알 수 있다. 이유는 특징1(Authority 점수)은 사람들의 특정 지역 POI의 방문 수를 기반으로 구한 것으로, 개인화 측면보다는 전반적인 관계를 나타내고 특징2(사용자 POI 선호도(카테고리)), 특징3(사용자 POI선호도(활동)은 개인에 관한 POI의 선호도를 구한 것으로 이동 경로를 예측하는 각 사용자 별 이동성을 효율적으로 모델링한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.