정보과학회 컴퓨팅의 실제 논문지 (KIISE Transactions on Computing Practices)
Current Result Document :
| 한글제목(Korean Title) |
딥러닝을 위한 실험적 평가 기반의 이동경로 데이터 인코딩 방법 비교 |
| 영문제목(English Title) |
Analysis of Trajectory Encoding Methodology Analysis Based on Experimental Evaluation for Deep Learning |
| 저자(Author) |
강준혁
김민석
이재길
Junhyeok Kang
Minseok Kim
Jae-Gil Lee
|
| 원문수록처(Citation) |
VOL 25 NO. 08 PP. 0402 ~ 0406 (2019. 08) |
한글내용
(Korean Abstract) |
센서기술의 발달로 자동차나 사람으로부터 수집되는 이동경로 데이터의 양이 급증하고 있다. 이러한 이동경로 데이터로부터 유의미한 결과를 이끌어내기 위해서 현재까지 많은 연구들이 활발히 진행되고 있다. 그 중 자연어 처리 등 타 분야에서 두각을 나타낸 딥러닝을 이용한 연구들이 최근 시도되었으나, 이동경로 데이터만의 고유한 특성을 효과적으로 인코딩하는 방법은 아직 많이 연구되지 않았다. 본 논문에서는 이동경로 데이터의 특성을 표현하는 인코딩 방법론 5가지와 그에 맞는 정규화과정을 소개하고, 이에 대한 비교실험을 통해 성능을 비교하고자 한다. Microsoft Geolife 데이터를 활용하여 LSTM기반의 딥러닝 모델을 학습하고 교통수단(Transportation Mode) 분류를 수행한 결과, 임베딩과 결합된 One-Hot Encoding 기반 정규화 방법론이 성능과 속도 측면에서 비교모델 중 가장 우수한 것으로 관측되었다.
|
영문내용
(English Abstract) |
The amount of trajectory data collected from humans and vehicles is growing rapidly owing to the improvement in sensor-based technologies. Many researchers have actively attempted to draw meaningful insights from trajectory data. Recently, deep learning-based methods, which demonstrated high performance in other fields such as natural language processing have been used to tackle this issue. However, there is little effort on the development of effective methods to encode trajectory data. This paper introduces five trajectory encoding methods along with their normalization and compares their performance through an extensive evaluation. In the experiments on LSTM-based transportation mode classification using Microsoft Geolife data, merging of embedding and one-hot encoding along with normalization demonstrated the highest performance in terms of performance and model convergence speed.
|
| 키워드(Keyword) |
이동경로
데이터 마이닝
딥러닝
인코딩 방법론
trajectory
data mining
deep learning
encoding methodology
|
| 파일첨부 |
PDF 다운로드
|
