GPS 기반 이동수단 분류 방법 및 수집 주기 최적화 연구

Abstract

사용자의 이동수단을 분류하여 그 특성을 이해하는 것은 여행 패턴 분석, 목적지 및 이동 경로 예 측 등 위치기반 서비스를 제공하기 위한 핵심정보로 활용될 수 있다. 따라서 GPS 데이터를 사용하 여 사용자의 이동수단을 분류하는 방법에 관한 관심과 연구들이 증가하고 있다. 사용자의 이동수단 을 분류하는 방법은 입력 GPS 데이터의 샘플링 주기에 따라 분류 정확도가 달라지며, GPS 데이터 의 샘플링 주기는 수집 기기의 배터리 소모에 영향을 미친다. 따라서 본 논문에서는 GPS 궤적정보 를 사용하여 이동수단을 분류하는 새로운 방법을 제안하고, GPS 데이터의 샘플링 주기가 이동수단 분류 방법의 정확도 및 에너지 소비에 미치는 영향을 분석하였다. 이를 위하여 본 논문에서는 GPS 궤적으로부터 속도, 가속도, 저크를 계산하여 다양한 통계적 특징을 추출하였으며, 이동 시간을 고 려한 이동 방향의 변화 비율, 정지 비율, 속도 변화율을 특징으로 활용하는 이동수단 분류 방법을 제안하였다. 실험에서는 제안 방법과 기존의 방법을 다양한 기계학습 알고리즘을 사용하여 비교하였 으며, 랜덤 포레스트 분류 알고리즘을 사용하는 경우 제안 방법이 기존 방법보다 2.3%~3% 이상 높은 정확도를 가지는 것을 확인하였다. 또한, 제안 방법을 사용하여 GPS 데이터의 샘플링 주기 변 화에 따른 이동수단 분류 정확도 및 배터리 소비량을 분석하였다. 실험 결과, 샘플링 주기를 10초로 설정하면 분류 정확도는 최고 정확도 대비 0.6% 감소하지만, 배터리 소비량은 33% 이상 감소하여 이동수단 분류 정확도의 손실 없이 에너지 소모를 최소화하는 것을 확인하였다.

Understanding the characteristic of users' mobility mode is a requisite of Location-based Services (LBS) such as destination estimation, travel pattern and trajectory analysis. The classification accuracy of mobility mode is highly affected by the GPS sampling rate, which has a significant effect on the battery consumption of the device. Therefore, this paper presents a new method to extract mobility features from GPS trajectories for mobility mode classification, and analyze the effect of GPS sampling rate on the classification accuracy and battery consumption. Specifically, we propose features including Heading Change Rate (HCR), Stop Rate (SR), and Velocity Change Rate (VCR) based on moving duration, in addition to statistical features such as velocity, acceleration, and jerk measured from the GPS trajectories. The proposed method is compared with previous work using various machine learning algorithms, and the experiment results show that the proposed method shows 2.3%~3% higher accuracy with random forest classification. Also, the results demonstrate that setting the GPS sampling rate to 10 seconds reduces classification accuracy by 0.6% compared to the highest accuracy, but reduces battery consumption by 33%, minimizing battery consumption without loss of classification accuracy.