A `trajectory' refers to a trace generated by a moving object in geographical spaces, usually represented by of a series of chronologically ordered points, where each point consists of a geo-spatial coordinate set and a timestamp. Rapid advancements in location sensing and wireless communication technology enabled us to collect and store a massive amount of trajectory data. As a result, many researchers use trajectory data to analyze mobility of various moving objects. In this dissertation, we focus on the `urban vehicle trajectory,' which refers to trajectories of vehicles in urban traffic networks, and we focus on `urban vehicle trajectory analytics.' The urban vehicle trajectory analytics offers unprecedented opportunities to understand vehicle movement patterns in urban traffic networks including both user-centric travel experiences and system-wide spatiotemporal patterns. The spatiotemporal features of urban vehicle trajectory data are structurally correlated with each other, and consequently, many previous researchers used various methods to understand this structure. Especially, deep-learning models are getting attentions of many researchers due to its powerful function approximation and feature representation abilities. As a result, the objective of this dissertation is to develop deep-learning based models for urban vehicle trajectory analytics to better understand the mobility patterns of urban traffic networks. Particularly, this dissertation focuses on two research topics, which has high necessity, importance and applicability: Next Location Prediction, and Synthetic Trajectory Generation.
In next location prediction, we propose deep-learning based models that considers the spatiotemporal patterns of urban vehicle trajectories. First, we partition the urban traffic network into cells and represented urban vehicle trajectories as cell sequences to extract the spatial features from trajectory data. In addition, we used recurrent neural network (RNN) to predict the next location. Furthermore, to improve the performance of RNN model, we propose attention-based recurrent neural network (ARNN) model, which incorporates the network-wide traffic state information into next location prediction. The performance of the model is evaluated in both aggregated region level and individual trajectory level, and the proposed model has better performance than the baseline model.
In synthetic trajectory generation, we propose TrajGAIL (Generative Adversarial Imitation Learning for Urban Vehicle Trajectory), which reproduce trajectories with both patterns as individual trajectory and patterns as a group. TrajGAIL uses the Generative Adversarial Imitation Learning (GAIL) and Partially Observable Markov Decision Process (POMDP) to understand the spatiotemporal patterns and reproduce realistic trajectories. The performance of the model is evaluated in trajectory-level and dataset-level, and the results show that the proposed TrajGAIL shows an outstanding performance compared to the baseline models.
In this study, we propose various novel models for urban vehicle trajectory analytics using deep learning. In three different research topics, we analyzed the current challenges in each topic, propose research approaches to resolve the challenge, and developed a novel model based on the research approaches. By using the proposed model, it is expected to increase the applicability of urban vehicle trajectories in various fields of study.
`궤적데이터'란, 지리적 공간에서 움직이는 물체의 위치를 시간 순서대로 정렬한 점들의 데이터로 정의할 수 있다. 위치추적 및 무선통신 기술의 발달로 여러 움직이는 물체의 궤적데이터를 수집하는 것이 가능해졌고, 이에 따라 많은 연구자들이 움직이는 물체의 이동성, 즉 모빌리티를 분석하고자 궤적데이터를 사용하고 있다. 이 논문에서는 다양한 궤적데이터 중 `도시차량궤적데이터'를 집중하고자 하며, 이를 분석하는 `도시차량궤적 분석방법론'에 대해 다루고자 한다. 도시차량궤적을 분석함으로써, 사용자 단위/네트워크 단위 교통현상들을 이해할 수 있고, 사용자들과 시스템 운영자 모두의 의사결정을 지원할 수 있기 때문이다. 도시차량궤적데이터는 시공간적 특성이 서로 구조적으로 연관되어 있다는 특징을 가지고 있다. 구조적 연관성을 분석방법론에 반영하기 위하여 많은 연구들이 진행되었고, 최근에는 뛰어난 함수근사능력과 특성표상능력을 가진 심층학습기반 분석방법론 연구가 각광을 받고 있다. 따라서 본 연구는 `심층학습기반 도시차량궤적 분석방법론'을 개발하는 것을 목적으로 한다. 이는 도시 교통 네트워크 전반의 모빌리티 패턴을 분석하여, 궤적데이터의 시공간적 연관성을 반영할 수 있기 때문이다. 구체적으로, 현 연구시점에서의 필요성과 중요도를 고려하여 다음위치예측 (Next location prediction) 문제와 가상궤적생성 (Synthetic trajectory generation) 문제를 본 연구의 주요 내용으로 선정하였다.
첫번째 연구주제인 다음위치예측에서는 차량궤적의 시공간적 특성을 반영하는 심층학습기반 모델을 개발하였다. 먼저 도시 교통 네트워크를 구역으로 나누어 차량궤적을 구역시퀀스로 나타내었으며, 이를 통해 차량궤적의 공간적 특성을 추출하고, `순환신경망(Recurrent Neural Network; RNN)'을 사용하여 시공간적 패턴을 학습하는 모델을 개발하였다. 또한, 예측 정확도를 높이기 위해 추가적인 정보인 네트워크 교통 상태 정보를 다음위치예측 모델에 전달하는 `어텐션 기반 순환신경망(Attention-based Recurrent Neural Network; ARNN)' 모델을 개발하였다. 모델의 성능은 구역단위 평가지표와 궤적단위 평가지표로 나누어 평가하여 제안된 심층학습기반 모델이 비교모델보다 좋은 성능을 보인다는 결론을 도출하였다. 더 나아가, 네트워크 교통상태 정보를 통해 다음위치예측 정확도를 높일 수 있다는 것 또한 확인할 수 있었다.
두번째 연구주제인 가상궤적생성에서는 차량궤적데이터의 시공간적 특성을 반영하여 개별차량단위/그룹단위 패턴을 모두 실제와 유사하게 생성해내는 `TrajGAIL (Generative Adversarial Imitation Learning for Urban Vehicle Trajectory)'을 개발하였다. 이를 위해 `생성적 적대 모방학습(Generative Adversarial Imitation Learning; GAIL)' 방법과 `부분적으로 관측가능한 마르코프 의사결정과정(Partially Observable Markov Decision Process; POMDP)' 방법을 활용하였다. TrajGAIL은 차량궤적의 시공간적 패턴을 이해하고 이를 통해 현실적인 차량궤적을 생성해 낼 수 있는 구조로 설계되었다. 차량궤적단위/데이터셋단위의 평가지표를 통해 TrajGAIL의 차량궤적 생성능력을 평가했으며, 기존에 있던 다른 생성 모델들 보다 좋은 성능을 보였다.
본 연구에서는 도시 네트워크의 모빌리티 패턴을 분석하기 위해 심층학습방법을 적용한 새로운 차량궤적 분석방법론을 제안하였다. 두 주제에 대하혀 연구난점들을 파악하고 적절한 해결방안을 제시하여, 이 해결방안을 기반으로 새로운 방법론을 개발하였다. 이를 통해, 결과적으로, 도시 모빌리티에 대한 이해를 높이고, 다양한 분야에서 도시차량궤적데이터의 활용성을 증진시켜, 미래사회에 유의미한 기여를 할 것으로 판단된다.