There are limits to simply understanding the complex form of modern cities. Recently, research for expressing various characteristics of urban areas using methods such as a graph embedding technique is being conducted. Most research utilizes a variety of data that exist in cities, but for mobility data, typically only one type of data is used, such as a taxi. In this study, we intend to perform multi-modal based region representation learning that can reflect various mobility data. Multi-modal is the simultaneous use of multiple results of a single-modal learned from each mobility data to find characteristics of urban areas through different aspects of mobility data. In addition, this study not only considers various types of mobility data but also tries to identify various characteristics of urban areas by classifying transportation user types. Based on the results applied to the actual Seoul area in the experiments, it is found that the results using the multi-modal outperform other models and the single-modal. In addition, the importance of classifying transportation user types is presented, and the impact of each user type is analyzed and presented.
복잡한 형태의 현대 도시를 간단히 이해하기엔 한계가 존재한다. 최근에 그래프 임베딩과 같은 기법을 활용하여 도시 지역의 여러 특성을 학습하고 표현하는 연구가 진행되고 있다. 많은 연구에서 도시 지역의 특성을 학습하기 위해 도시 내의 다양한 데이터들을 사용한다. 하지만 활용하는 도시 내 데이터 중 모빌리티 데이터의 경우, 대부분 한 가지 종류의 데이터만 활용하는 것을 알 수 있다. 그래서 본 연구에서는 도시 내 이동을 보여주는 다양한 모빌리티 데이터를 반영할 수 있는 다중 모드 기반의 지역 표현 학습을 수행하려 한다. 여기서 다중 모드란, 각 모빌리티 데이터를 학습한 단일 모드의 학습 결과들을 여러 가지 동시에 사용하여 다양한 모빌리티 데이터 측면을 고려한 도시 지역 표현 학습 방식을 의미한다. 추가로, 본 연구에서는 다양한 모빌리티 측면에서만 고려하는 것이 아닌, 교통을 이용하는 이용자 유형에 따른 다양한 이동 패턴도 고려한다. 실제 서울 지역에 해당 모델을 적용한 결과를 바탕으로, 단일 모드를 활용한 모델보다 다중 모드를 활용한 모델의 성능이 더 뛰어나다는 것을 보여주었다. 또한, 교통 이용자 유형별로 구분하는 것의 중요성을 보이고, 각 이용자 유형별로 미치는 영향을 분석하여 보이고자 한다.
