Core Concepts
개인과 집단 이동 행태를 동적으로 통합하여 일상적이지 않은 이동 행태를 더 정확하게 예측할 수 있다.
Abstract
이 연구는 개인과 집단 이동 행태를 동적으로 통합하는 새로운 접근법을 소개합니다. 이를 통해 개인 이동 행태 예측의 한계를 극복하고 일상적이지 않은 이동 행태를 더 정확하게 예측할 수 있습니다.
주요 내용은 다음과 같습니다:
개인 이동 행태 모델(I)과 집단 이동 행태 모델(C)을 동적으로 통합한 모델(M)을 제안했습니다.
M 모델은 개인의 이동 행태 예측 가능성에 따라 I와 C의 정보를 적절히 활용합니다.
3개 도시의 수백만 개의 익명화된 이동 궤적 데이터를 활용해 M 모델의 성능을 평가했습니다.
M 모델은 일상적이지 않은 이동 행태 예측에서 기존 심층 학습 모델보다 우수한 성능을 보였습니다.
공간 분석 결과, M 모델은 관심 지점이 밀집된 도심 지역에서 특히 효과적이었습니다.
COVID-19 팬데믹과 같은 외부 요인으로 인한 이동 행태 변화에도 M 모델은 예측 성능을 유지했습니다.
Stats
개인 이동 행태 모델(I)의 예측 정확도는 COVID-19 팬데믹 이후 44.16% 감소했습니다.
집단 이동 행태 모델(C)의 예측 정확도는 COVID-19 팬데믹 이후 평균 4.51% 감소했습니다.
통합 모델(M)의 예측 정확도는 COVID-19 팬데믹 이후 평균 5.32% 감소했습니다.
Quotes
"개인과 집단 행동을 동적으로 통합하는 접근법은 해석 가능성을 유지하면서도 정확성을 높일 수 있어 현대 이동 행태 문제 해결에 중요한 역할을 할 것입니다."
"관심 지점이 밀집된 도심 지역에서 집단 행동 정보가 일상적이지 않은 이동 행태 예측에 특히 중요한 역할을 합니다."