Since the moving trajectory data has properties of a time series, we can effectively model the data employing a RNN-type model. The RNN model is one of the representative models in deep learning which has become a specialized model for time-series data by showing outstanding performance in various application fields that use the time-series data. However, unlike the common time-series data, the trajectory data is a spatio-temporal data that contains both spatial and temporal information. In other words, the trajectory data requires for the specialized methodology for feature extraction that utilizes both spatial and temporal dimensions. Therefore, simply constructing a RNN-type model is insufficient for feature extraction. Instead, we design an algorithm that efficiently captures distinctive high-quality features from the trajectories. For this purpose, we develop a Seq2Seq Auto-Encoder based model to extract complicated movement features and use extracted feature vectors to detect outlying trajectories.
이동 경로들은 시계열 데이터의 속성을 지니므로 RNN 계열의 딥러닝 모델을 활용하면 해당 데이터를 효과적으로 모델링 할 수 있을 것이다. 딥러닝의 대표적인 모델 중 하나인 RNN 모델은 자연어 처리 및 감성 분석 등의 시계열 데이터를 활용하는 다양한 응용 분야에서 뛰어난 성능을 내며 시계열 데이터에 특화된 모델로 자리매김했다. 그러나 일반적인 시계열 데이터와 달리 이동 경로들은 시공간 데이터로써 시간과 함께 공간에 대한 정보도 고려해야 하므로 해당 데이터에 특화된 특징 추출 방법이 필요하다. 따라서 본 연구에서는 단순히 시계열 데이터를 처리하는 RNN 계열의 모델을 구축하여 특징을 추출하는 것이 아니라 이동 경로만의 구별되는 양질의 특징을 보다 효율적으로 잡아 낼 수 있는 알고리즘을 설계하였다. 이를 위해 Seq2Seq 오토인코더 기반의 모델을 구축하여 인간의 복잡한 이동성 특징을 효과적으로 추출하였고, 나아가 추출된 특징 벡터를 활용하여 일반적인 트렌드를 벗어나는 이상 이동 경로를 효율적으로 탐지해 내었다.
