inferring movement trajectories from gps snippets
TRANSCRIPT
Inferring Movement Trajectories from GPS Snippets
Mu Li, Amr Ahmed, Alexander J. Smola
2015.5.13 @WSDM2015読み会担当:金 秀明
概要
スマホやタブレット経由で得られるGPSログと地図情報から,ユーザの移動軌跡を推定&予測するための手法を提案.
エネルギーコスト等の理由でGPSログが散発的である点が難しいところ(GPS Snippet).
空間と時間の両方をモデル化する•空間:移動にマルコフ性,観測ノイズに正規分布.•時間:移動時間に逆正規分布(速度と絡めてポイント).US cities のデータで性能を確認.
モデル(空間)
sk-1 → i’1 → i’2 → ... → sk → i1 → i2 → ... → sk+1 → → →
ok-1 ok ok+1
(1)
(2) }�(3)
(1) 遷移行列:(2) 軌道確率:(3) 観測雑音:
l
モデル(時間)
sk-1 → i’1 → i’2 → ... → sk → i1 → i2 → ... → sk+1 → → →
ok-1 ok ok+1(1)
(1) 観測雑音(移動時間)
地図から得られる特徴量 !":道路形態,レーン数,走行形態,市・州・ZIP,時間帯や曜日,・・・
Data from a road segment
推定・予測方法 過去の推定 (s-, s+, t given)
将来の予測 (s- given)
": 最尤経路
s-
s+s"-
t-
t
s-
t
|"-|のミス(p. 330)
"
"’
すべての経路 " の所用時間の平均s
"
"’
"’’
s-t
経路 " ごとに所要時間が t となる位置を計算
実験:推定/予測結果
推定
生データ•速度分布は推定側で < 10m/s の部分が消えてる・・・
⇒ segment の端の赤信号とかの影響はモデルでは segment でつぶしちゃってるので仕方ない.
•ラッシュ時の速度が落ちるのは予想通り.•Salina でラッシュの影響が見られない
⇒ 交通の主が高速道路だから.
実験:推定/予測結果
• 全軌道データの 30% をテストデータとする.
• 過去の軌道の推定:各テスト軌道からランダムにGPS点を抽出し,それを当てる.
• 将来の軌道の予測:各テスト軌道の最後のGPS点から最も近いroad segment を当てる.
Full-Model: 全乗せ. GPS-speed: 速度を推定せず生のまま使用.common: 軌道IDを特徴量に入れない. Shortest-path: 最短経路のみを考慮