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．

問題設定

観測 {Oi}：o1 o2 ok ok+1

・・・

緯度，経度，向き，時刻

状態 {Si}：s1 s2 sk sk+1

・・・

Segment 情報（長さ，高速，レーン数など）

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

パラメータの学習

周辺尤度最大化 × Dynamic programming(EM)

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：基礎統計

緑色： segment黄色：intersectionどちらも方向付き

2013年のデータ

実験：基礎統計

平日 週末

ラッシュ

交通量分布

週末はラッシュ時のピークが和らぐ⇒ 平日/週末の特徴量を速度推定に使用する

実験：基礎統計

速度分布

•SFは移動速度が遅い•Salinaは２ピーク ⇒ 主要な高速道路が１つ有り•方向分布が局在 ⇒ 道路の区画レイアウトを反映

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

実験：推定/予測結果推定

予測

• SalinaとBoston は精度が良い⇒ 高速なメインで速度のばらつきが小さいため.

• GPS-speedの精度が悪い⇒ GPS “snippet” 故に観測速度がばらつくため.

　 特にNew York は交通がぐちゃぐちゃ・・・

• 提案技術の良さが予測タスクで際立っている⇒ 個々の軌道の特徴的な速度を推定している、

ということは個々の軌道の移動モードを捉えているから．