공간 임베딩

Spatial embedding
다음에 대한 시리즈 일부
머신러닝
및 데이터 마이닝
Scatterplot featuring a linear support vector machine's decision boundary (dashed line)
문제
감독 학습
(계속 • 회귀)
클러스터링
차원성 감소
구조 예측
이상 탐지
인공신경망
강화학습
이론
기계 학습 장소
관련기사

공간 임베딩은 점, 선, 다각형 또는 기타 공간 데이터 유형이 있는 공간 분석에 사용되는 특성 학습 기법 중 하나이다.[1]지리적 위치를 나타내는 것은 실제 숫자의 벡터에 매핑된다.개념적으로 그것은 지리적 객체당 많은 차원을 가진 공간으로부터 훨씬 더 낮은 차원을 가진 연속 벡터 공간까지 수학적으로 내장하는 것을 포함한다.

이러한 임베딩 방식은 신경망에서 복잡한 공간정보를 활용할 수 있도록 하며 공간분석 과제의 성능을[2][3] 향상시키는 것으로 나타났다.

내장형 데이터 유형

지리 데이터는 텍스트,[4][5][6] 이미지,[7][8] 그래프,[9][10] 궤적,[11][12][13] 다각형 등 다양한 형태를 취할 수 있다.[14]과제에 따라 다른 소스의 다중모달 데이터를 결합해야 할 필요가 있을 수 있다.[2][15]다음 절에서는 다양한 유형의 데이터 및 데이터 사용에 대한 예를 설명한다.

텍스트

소셜 미디어에 지리적으로 배치된 게시물은 나중에 단어 내장 기술을 사용하여 내장 벡터로 변환될 수 있는 지정된 장소에 바인딩된 문서 라이브러리를 획득하는 데 사용될 수 있다.[4]

이미지

인공위성과 항공기는 기계학습에 사용될 수 있는 원격 감지 이미지로부터 획득한 디지털 공간 데이터를 수집한다.그것들은 때때로 기본적인 영상 분석 방법을 사용하여 분석하기 어렵고, 주어진 지리적 물체나 지역에 묶인 영상들의 임베딩을 얻기 위해 경련 신경망을 사용할 수 있다.[7]

Satellite image of Seattle city.
원격 감지 방법을 사용하여 획득한 시애틀 시 위성 이미지의 예.

포인트

단일 관심 지점(POI)은 기계 학습에 사용할 수 있는 여러 기능을 할당할 수 있다.예를 들어 인구통계학적, 교통적, 기상학적 또는 경제적 데이터가 될 수 있다.단일 지점을 포함시킬 때 사용 가능한 지점의 전체 집합을 그래프에 노드로 간주하는 것이 일반적이다.[10]

Map of point of interests from OpenPoiMap
관심 지점 맵의 예포이맵.

선/다행

그 중에서도 운동 궤도는 선(다중선)으로 표현된다.이동 시간, 거리 및 도중에 방문한 지점의 특징을 고려하여 개별 궤적이 내장되어 있다.궤적을 내장하면 클러스터링과 분류와 같은 과제의 성과를 향상시킬 수 있다.[13]

Black and white map of Beijing containing few mobility trajectories plotted on top of it.
GeoLife 데이터 집합(베이징, 중국)의 이동 궤적 예

폴리곤

예를 들어 기계학습에서 분석되는 지리적 영역은 행정적 경계와 하향식 구획으로 정의된다.두 유형 모두 다각형으로 표현되며, 포인트와 마찬가지로 다른 인구통계학적, 교통적 또는 경제적 특징을 할당할 수 있다.폴리곤은 또한 그것이 나타내는 면적이나 모양과 관련된 특징을 가질 수 있다.

Map of San Francisco bay with 19 blue hexagons plotted on top of it
Uber의 H3 라이브러리를 사용하여 샌프란시스코 베이 지역을 분할하는 데 사용되는 일반 육각형 타일링의 예.
Map of San Francisco administrative districts
샌프란시스코 행정 구역 지도.

그래프

그래프 표현이 사용되는 예로는 도시의 도로 배치로, 꼭지점이 교차점이 될 수 있고 가장자리가 도로가 될 수 있다.정점은 또한 대중교통 정류장이나 도시의 중요한 지점과 같은 목적지 지점이 될 수 있으며, 가장자리는 그들 사이의 흐름을 나타낸다.그래프나 단일 정점을 내장하면 처리된 지리적 영역을 네트워크로 나타낼 수 있는 분석 방법의 정확도를 향상시킬 수 있다.[9]

Diagram of the Rennes Metro
도시 네트워크의 예: 레네스 메트로(프랑스어: Métro de Rennes)이 예에서 메트로 스톱은 정점이고 그 사이의 트랙은 가장자리다.

사용법

  • POI 권장[15][16] 사항 - 사용자 선호도에 따라 개인화된 관심 지점 권장 사항 생성
  • 다음/미래 위치 예측[10][17] - 역사적 궤적을 바탕으로 사람이 갈 다음 위치 예측.
  • 구역 기능 분류[13] - 사람들의 다른 이동성 또는 POI 분포에 기초하여 도시 내 특정 지역의 기능을 예측할 수 있다.
  • 범죄 예측[18] - 한 도시의 여러 지역에서의 범죄율 추정.
  • 국지적 사건 감지[6] - 임베딩의 주피오-임시적 변화를 연구하면 특정 위치에서 발생하는 국지적 사건을 탐지하는 데 귀중한 정보를 제공할 수 있다.
  • 지역 이동성 인기 예측[11] - 이동성의 분석은 도시 내 여러 지역의 인기 패턴을 보여줄 수 있다.
  • 모양 일치[14] - 주어진 폴리곤과 유사한 모양 찾기(예: 입력 건물과 같은 모양의 건물 찾기)
  • 이동 시간 추정[19][20][21] - 현재 교통 상황 및 특수 발생 사건에 대한 예상 이동 시간 예측.
  • 주문형 식품 배송에[22] 대한 시간 추정 - 웹사이트를 통한 주문 시 배송 시간의 추정.

시간적 측면

분석된 데이터 중 일부는 이와 연관된 타임스탬프를 가지고 있다.데이터 분석의 어떤 경우에는 이 정보가 생략되고 다른 경우에는 집합을 그룹으로 나누는 데 사용된다.가장 흔한 구분은 평일을 주말이나 시간에서 분리하는 것이다.이는 특히 이동성 데이터의 분석에서 중요한데, 주 중 이동성의 특성과 하루 중 다른 시간이 서로 매우 다르기 때문이다.[3][23][24]예를 들어, 개별 월들로 시간 구분을 할 수 있는 또 다른 영역은 특정 지역의 관광 분석에 있다.[16]그러한 분할을 고려하기 위해, 내장 방법은 분석된 집합의 서로 다른 하위그룹에 대해 타임 스탬프를 특별히 다루거나 별도의 버전의 모델을 개발한다.

참조

  1. ^ Schneider, Markus (2009), "Spatial Data Types", in LIU, LING; ÖZSU, M. TAMER (eds.), Encyclopedia of Database Systems, Boston, MA: Springer US, pp. 2698–2702, doi:10.1007/978-0-387-39940-9_354, ISBN 978-0-387-39940-9, retrieved 2021-01-19
  2. ^ a b Li, Youru; Zhu, Zhenfeng; Kong, Deqiang; Xu, Meixiang; Zhao, Yao (2019-07-17). "Learning Heterogeneous Spatial-Temporal Representation for Bike-Sharing Demand Prediction". Proceedings of the AAAI Conference on Artificial Intelligence. 33: 1004–1011. doi:10.1609/aaai.v33i01.33011004. ISSN 2374-3468.
  3. ^ a b Cao, Hancheng; Xu, Fengli; Sankaranarayanan, Jagan; Li, Yong; Samet, Hanan (2020-05-01). "Habit2vec: Trajectory Semantic Embedding for Living Pattern Recognition in Population". IEEE Transactions on Mobile Computing. 19 (5): 1096–1108. doi:10.1109/TMC.2019.2902403. ISSN 1536-1233. S2CID 86694179.
  4. ^ a b Dassereto, Federico; Di Rocco, Laura; Guerrini, Giovanna; Bertolotto, Michela (2020), Kyriakidis, Phaedon; Hadjimitsis, Diofantos; Skarlatos, Dimitrios; Mansourian, Ali (eds.), "Evaluating the Effectiveness of Embeddings in Representing the Structure of Geospatial Ontologies", Geospatial Technologies for Local and Regional Development, Cham: Springer International Publishing, pp. 41–57, doi:10.1007/978-3-030-14745-7_3, ISBN 978-3-030-14744-0, retrieved 2021-01-19
  5. ^ Jin, Jiaqi; Xiao, Zhuojian; Qiu, Qiang; Fang, Jinyun (July 2019). "A Geohash Based Place2vec Model". IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama, Japan: IEEE: 3344–3347. doi:10.1109/IGARSS.2019.8898375. ISBN 978-1-5386-9154-0. S2CID 208033962.
  6. ^ a b Silva, Amila; Karunasekera, Shanika; Leckie, Christopher; Luo, Ling (December 2019). "USTAR: Online Multimodal Embedding for Modeling User-Guided Spatiotemporal Activity". 2019 IEEE International Conference on Big Data (Big Data). Los Angeles, CA, USA: IEEE: 1211–1217. arXiv:1910.10335. doi:10.1109/BigData47090.2019.9005461. ISBN 978-1-7281-0858-2. S2CID 204838325.
  7. ^ a b Zhang, Sen; Li, Shaobo; Li, Xiang; Yao, Yong (2020-04-02). "Representation of Traffic Congestion Data for Urban Road Traffic Networks Based on Pooling Operations". Algorithms. 13 (4): 84. doi:10.3390/a13040084. ISSN 1999-4893.
  8. ^ Dao, Minh-Son; Zettsu, Koji (September 2018). "A Raster-Image-Based Approach for Understanding Associations of Urban Sensing Data". 2018 IEEE First International Conference on Artificial Intelligence and Knowledge Engineering (AIKE). Laguna Hills, CA: IEEE: 134–137. doi:10.1109/AIKE.2018.00029. ISBN 978-1-5386-9555-5. S2CID 53279500.
  9. ^ a b Wu, Ning; Zhao, Xin Wayne; Wang, Jingyuan; Pan, Dayan (2020-08-23). "Learning Effective Road Network Representation with Hierarchical Graph Neural Networks". Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. KDD '20. Virtual Event CA USA: ACM: 6–14. doi:10.1145/3394486.3403043. ISBN 978-1-4503-7998-4. S2CID 221191109.
  10. ^ a b c Xu, Shuai; Cao, Jiuxin; Legg, Phil; Liu, Bo; Li, Shancang (June 2020). "Venue2Vec: An Efficient Embedding Model for Fine-Grained User Location Prediction in Geo-Social Networks". IEEE Systems Journal. 14 (2): 1740–1751. Bibcode:2020ISysJ..14.1740X. doi:10.1109/JSYST.2019.2913080. ISSN 1932-8184. S2CID 181989049.
  11. ^ a b Fu, Yanjie; Wang, Pengyang; Du, Jiadi; Wu, Le; Li, Xiaolin (2019-07-17). "Efficient Region Embedding with Multi-View Spatial Networks: A Perspective of Locality-Constrained Spatial Autocorrelations". Proceedings of the AAAI Conference on Artificial Intelligence. 33 (1): 906–913. doi:10.1609/aaai.v33i01.3301906. ISSN 2374-3468.
  12. ^ Ouyang, Kun; Shokri, Reza; Rosenblum, David S.; Yang, Wenzhuo (July 2018). "A Non-Parametric Generative Model for Human Trajectories". Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. Stockholm, Sweden: International Joint Conferences on Artificial Intelligence Organization: 3812–3817. doi:10.24963/ijcai.2018/530. ISBN 978-0-9992411-2-7.
  13. ^ a b c Yao, Zijun; Fu, Yanjie; Liu, Bin; Hu, Wangsu; Xiong, Hui (July 2018). "Representing Urban Functions through Zone Embedding with Human Mobility Patterns". Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. Stockholm, Sweden: International Joint Conferences on Artificial Intelligence Organization: 3919–3925. doi:10.24963/ijcai.2018/545. ISBN 978-0-9992411-2-7.
  14. ^ a b Yan, Xiongfeng; Ai, Tinghua; Yang, Min; Tong, Xiaohua (2020-05-25). "Graph convolutional autoencoder model for the shape coding and cognition of buildings in maps". International Journal of Geographical Information Science. 35 (3): 490–512. doi:10.1080/13658816.2020.1768260. ISSN 1365-8816. S2CID 219469997.
  15. ^ a b Chang, Buru; Park, Yonggyu; Park, Donghyeon; Kim, Seongsoon; Kang, Jaewoo (July 2018). "Content-Aware Hierarchical Point-of-Interest Embedding Model for Successive POI Recommendation". Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. Stockholm, Sweden: International Joint Conferences on Artificial Intelligence Organization: 3301–3307. doi:10.24963/ijcai.2018/458. ISBN 978-0-9992411-2-7.
  16. ^ a b Bin, Chenzhong; Gu, Tianlong; Jia, Zhonghao; Zhu, Guimin; Xiao, Cihan (June 2020). "A neural multi-context modeling framework for personalized attraction recommendation". Multimedia Tools and Applications. 79 (21–22): 14951–14979. doi:10.1007/s11042-019-08554-5. ISSN 1380-7501. S2CID 209540693.
  17. ^ "Next Location Prediction with a Graph Convolutional Network Based on a Seq2seq Framework". KSII Transactions on Internet and Information Systems. 14 (5). 2020-05-31. doi:10.3837/tiis.2020.05.003.
  18. ^ Qian, Yiting; Pan, Li; Wu, Peng; Xia, Zhengmin (July 2020). "GeST: A Grid Embedding based Spatio-Temporal Correlation Model for Crime Prediction". 2020 IEEE Fifth International Conference on Data Science in Cyberspace (DSC). Hong Kong, Hong Kong: IEEE: 1–7. doi:10.1109/DSC50466.2020.00009. ISBN 978-1-7281-9558-2. S2CID 221281815.
  19. ^ Wang, Meng-xiang; Lee, Wang-Chien; Fu, Tao-yang; Yu, Ge (2019-11-05). "Learning Embeddings of Intersections on Road Networks". Proceedings of the 27th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Chicago IL USA: ACM: 309–318. doi:10.1145/3347146.3359075. ISBN 978-1-4503-6909-1. S2CID 208016230.
  20. ^ Xu, Saijun; Xu, Jiajie; Zhou, Rui; Liu, Chengfei; Li, Zhixu; Liu, An (2020), Nah, Yunmook; Cui, Bin; Lee, Sang-Won; Yu, Jeffrey Xu (eds.), "TADNM: A Transportation-Mode Aware Deep Neural Model for Travel Time Estimation", Database Systems for Advanced Applications, Cham: Springer International Publishing, vol. 12112, pp. 468–484, doi:10.1007/978-3-030-59410-7_32, ISBN 978-3-030-59409-1, S2CID 221840073, retrieved 2021-01-19
  21. ^ Xu, Saijun; Zhang, Ruoqian; Cheng, Wanjun; Xu, Jiajie (2020-08-15). "MTLM: a multi-task learning model for travel time estimation". GeoInformatica. doi:10.1007/s10707-020-00422-x. ISSN 1384-6175. S2CID 221128832.
  22. ^ Zhu, Lin; Yu, Wei; Zhou, Kairong; Wang, Xing; Feng, Wenxing; Wang, Pengyu; Chen, Ning; Lee, Pei (2020-08-23). "Order Fulfillment Cycle Time Estimation for On-Demand Food Delivery". Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. KDD '20. Virtual Event CA USA: ACM: 2571–2580. doi:10.1145/3394486.3403307. ISBN 978-1-4503-7998-4. S2CID 221191619.
  23. ^ Du, Bowen; Peng, Hao; Wang, Senzhang; Bhuiyan, Md Zakirul Alam; Wang, Lihong; Gong, Qiran; Liu, Lin; Li, Jing (March 2020). "Deep Irregular Convolutional Residual LSTM for Urban Traffic Passenger Flows Prediction". IEEE Transactions on Intelligent Transportation Systems. 21 (3): 972–985. doi:10.1109/TITS.2019.2900481. ISSN 1524-9050. S2CID 116832221.
  24. ^ Hong, Huiting; Lin, Yucheng; Yang, Xiaoqing; Li, Zang; Fu, Kung; Wang, Zheng; Qie, Xiaohu; Ye, Jieping (2020-08-23). "HetETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival". Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. KDD '20. Virtual Event CA USA: ACM: 2444–2454. doi:10.1145/3394486.3403294. ISBN 978-1-4503-7998-4. S2CID 221191112.