Recommended
Recommended
More Related Content
Similar to Time-delayed collective flow diffusion models for inferring latent people flow from aggregated data at limited locations
Similar to Time-delayed collective flow diffusion models for inferring latent people flow from aggregated data at limited locations (20)
Recently uploaded
Recently uploaded (20)
Time-delayed collective flow diffusion models for inferring latent people flow from aggregated data at limited locations
- 1. Time-delayed collective flow diffusion models for inferring latent people flow from aggregated data at limited locations 東京大学大学院工学系研究科 修士2年 小島 駿
- 2. 論文情報 n タイトル Time-delayed collective flow diffusion models for inferring latent people flow from aggregated data at limited locations n 著者 Yusuke Tanaka a,c, Tomoharu Iwata b, Takeshi Kurashima a, Hiroyuki Toda a, Naonori Ueda b,d, Toshiyuki Tanaka c n ジャーナル Artificial Intelligence (Volume 292, March 2021) n 選定理由 自身の研究の参考にするため 2 a NTT Service Evolution Laboratories b NTT Communication Science Laboratories c Graduate School of Informatics, Kyoto University d RIKEN Center for Advanced Intelligence Project
- 3. 目次 1. 背景 2. 関連研究 3. 研究目的 4. 手法 5. 検証 6. 結論 3
- 4. 人流解析のトレンド 人流情報を有効活用できる例 • 災害対策[1] • 都市計画[2] • ナビゲーションシステム[3] • 旅行ルートのレコメンド[4] • 位置情報ベースのモバイル広告[5] 4 背景 人の移動パターンの分析は多様な場面で力を発揮すると期待されている [1] X. Song, Q. Zhang, Y. Sekimoto, R. Shibasaki, Prediction of human emergency behavior and their mobility following large-scale disaster [2] J. Yuan, Y. Zheng, X. Xie, Discovering regions of different functions in a city using human mobility and POIs [3] H. Huang, G. Gartner, A survey of mobile indoor navigation systems [4] T. Kurashima, T. Iwata, G. Irie, K. Fujimura, Travel route recommendation using geotags in photo sharing sites [5] S. Dhar, U. Varshney, Challenges and business models for mobile location-based services and advertising
- 6. 人流情報取得（個人の位置情報追跡）の課題 ① プライバシー 特に近年プライバシー保護への流れが強まっている 位置情報はプライバシー性が高い情報であり，移動を追跡されることへの懸念 ② コスト • ユーザーの位置情報をトラッキングするソフトウェアシステムの構築 • ユーザーの位置情報を利用することへの同意の獲得 などが必要であり，多大なコストがかかる 6 背景 これらの課題を解決するような人流情報の取得方法が求められている
- 7. 個人の位置情報データ vs 人数集計データ 7 背景 メリット • プライバシーが守られる • データ取得のコストが抑えられる デメリット • 人流（移動パターン）が分からない 人数集計データ メリット • 人流（移動パターン）が分かる デメリット • プライバシーへの懸念 • データ取得コスト 個人の位置情報データ 移動パターンが推定できれば良い ：人数
- 8. 人数集計データから人の移動パターンを推定 Deep Neural Networksを用いた手法[6] • リアル空間のエリアをノード，エリア間をエッジとする時空間ネットワークを生成 • マルチタスク深層学習フレームワークでノードフローとエッジフローを同時に予測 8 関連研究 [6] J. Zhang, Y. Zheng, J. Sun, D. Qi, Flow prediction in spatio-temporal networks based on multitask deep learning リアル空間のエリア分割 ノードフローと エッジフロー 深層学習フレームワーク 学習のために移動パターンの教師データが必要となるため，課題の解決にはならない
- 9. 人数集計データから人の移動パターンを推定 Collective Flow Diffusion Model (CFDM) を用いた手法[7~9] • 「人の流れはグラフ上の確率的な拡散過程で表すことができる」と仮定したモデル • 観測領域内の人の構成と数は不変とする強い仮定を置く • 各エリア内の人数を入力とし，エリア間の移動人数と移動確率を出力する 9 関連研究 [7] Y. Akagi, T. Nishimura, T. Kurashima, H. Toda, A fast and accurate method for estimating people flow from spatiotemporal population data [8] T. Iwata, H. Shimizu, Neural collective graphical models for estimating spatio-temporal population flow from aggregated data [9] T. Iwata, H. Shimizu, F. Naya, N. Ueda, Estimating people flow from spatio-temporal population data via collective graphical mixture models モデルの基本的な挙動（InputとOutput） モデルの仮定と実現象との乖離により，実データに対する適用可能性が低い
- 10. 研究の目的と概要 目的：より適用可能性と精度の高い人流推定モデルの構築 1. CFDMを拡張したT-CFDMの提案 ⁃ 移動時間の確率分布をモデルに導入 ⁃ ノイズを含むデータへのロバスト性の向上 ⁃ 領域内の限定的な部分しかデータが得られない場合でも適用可能 2. 効率的なEMアルゴリズムの提案 ⁃ 移動確率，移動人数，移動時間確率分布，ノイズ分散などのパラメータを同時に最適化 3. 実際のデータセットを用いて手法の精度を検証 ⁃ 展示会場における歩行者データ ⁃ ニューヨークにおける自転車とタクシーのデータ 10 研究目的
- 11. 問題設定 • 各時刻の各観測エリアにおける集計人数（In & Out）を入力データとする • 提案モデルによって，各時刻の各エリア間の人の移動人数を推定する 11 手法 各エリアに何人の人が入って， 何人の人が出て行ったか 各エリア間をどのくらいの 人が移動したか
- 12. CFDMの考え方 「人の流れはグラフ上の確率的な拡散過程で表すことができる」 12 1 2 L 3 エリア1にいる人のエリア2への移動： 移動確率𝜃!"に従ってランダムに移動 確率モデル： 𝑚!" ~ 𝑀𝑢𝑙𝑡𝑖 𝑛!, 𝜃!" 「エリア間の移動人数は，エリア人数とエリア間移動確率 をパラメータとする多項分布に従う 」 𝒎に関する尤度関数： 手法 エリア人数の観測データ𝑵をもとに 𝑴と𝜽を交互最適化 (EMアルゴリズム) 𝑃 𝑴 𝑵, 𝜽 = ( #$! %&! ( '∈) 𝑁#'! ∏*∈+! 𝑀#'*! ( *∈+! 𝜃'* ,"!# 𝑀!"# : エリア𝑖→エリア𝑗への時刻𝑡における移動人数 𝑁!" : エリア𝑖の時刻𝑡におけるエリア人数 𝜃"# : エリア𝑖→エリア𝑗への移動確率
- 13. CFDMの課題 人数保存則の制約： 「あるエリアを出た人は次の時間に必ず 別のエリアに行く」 →常にエリア人数の総和は一定 13 手法 エリア1 エリア3 エリア2 エリア1 t = t t = t+1 10人 5人 2人 3人 移動 ・ - '∈+# 𝑀#'* = 𝑁 #-! * ・ - *∈+! 𝑀#'* = 𝑁#' 実際の場面を想定すると，領域内の全ての人を観測し続けるのは難しい 実際のデータは総人数が変動するため適用しにくい ：観測できないエリア
- 14. 提案手法のモデルの考え方 • 基本的にはCFDMと同じ 主な追加要素 • 「得られるエリア人数データ(In & Out)はノイズが乗った状態で観測される」 ⁃ 新しいユーザーの外部領域から観測領域への流入 ⁃ 観測領域から外部領域への人の流出 ⁃ 人数を集計するセンサの精度に起因する誤差 • 「人があるエリアを出てから別のエリアに到達するまでにはタイムラグがある」 14 手法 より現実の現象に合ったモデル化が可能に ：観測できないエリア 流入 流出
- 15. 表記方法 15 手法 観測されるエリア人数（Out & In） 真のエリア人数（Out & In） （ノイズを取り除いたもの）
- 16. T-CFDM(Time-delayed collective flow diffusion models) 尤度関数 制約条件 16 手法 𝑃 𝑴#! 𝑁#! $%& , 𝜃! = 𝑁#! $%& ! ∏"∈𝑬' 𝑀#!"! 4 "∈𝑬' 𝜃!" )(') 𝑁#! $%& = 5 !∈𝑬' 𝑀#!" 𝑁#! *+ = 5 !∈𝑬' 5 #*,- # 𝐹 Δ##*; 𝜸"! 𝑀#*"! 𝑁 #-! ' = - '∈𝑬! 𝑀#*' (CFDMの場合) （エリアからの人の出発人数の保存則） （エリアへの人の到達人数の保存則）
- 17. T-CFDM(Time-delayed collective flow diffusion models) 尤度関数 制約条件 17 手法 𝑃 𝑴#! 𝑁#! $%& , 𝜃! = 𝑁#! $%& ! ∏"∈𝑬' 𝑀#!"! 4 "∈𝑬' 𝜃!" )(') 𝑁#! $%& = 5 !∈𝑬' 𝑀#!" 𝑁#! *+ = 5 !∈𝑬' 5 #*,- # 𝐹 Δ##*; 𝜸"! 𝑀#*"! 𝑁 #-! ' = - '∈𝑬! 𝑀#*' (CFDMの場合) （エリアからの人の出発人数の保存則） （エリアへの人の到達人数の保存則） 追加要素① 観測データ𝑌#! $%& からノイズを除いたもの （処理を追加する必要あり）
- 18. T-CFDM(Time-delayed collective flow diffusion models) 尤度関数 制約条件 18 手法 𝑃 𝑴#! 𝑁#! $%& , 𝜃! = 𝑁#! $%& ! ∏"∈𝑬' 𝑀#!"! 4 "∈𝑬' 𝜃!" )(') 𝑁#! $%& = 5 !∈𝑬' 𝑀#!" 𝑁#! *+ = 5 !∈𝑬' 5 #*,- # 𝐹 Δ##*; 𝜸"! 𝑀#*"! 𝑁 #-! ' = - '∈𝑬! 𝑀#*' (CFDMの場合) （エリアからの人の出発人数の保存則） （エリアへの人の到達人数の保存則） 移動人数を移動時間の確率で 加重平均する Travel duration probability 追加要素① 追加要素② 観測データ𝑌#! $%& からノイズを除いたもの （処理を追加する必要あり）
- 19. ①観測データに含まれるノイズ • エリアからの出発人数𝑌!" #$% (実測値)とエリアへの到達人数𝑌!" &' （実測値）は， それぞれガウス分布に従う確率変数としてモデル化する 19 手法 𝑝 𝑌#! $%& 𝑁#! $%& , 𝜎! . = 1 2𝜋𝜎! . exp − 1 2𝜎! . 𝑌#! $%& − 𝑁#! $%& . 𝑝 𝑌#! *+ 𝑁#! *+ , 𝜆! . = 1 2𝜋𝜆! . exp − 1 2𝜆! . 𝑌#! *+ − 𝑁#! *+ . 実測値が従うべき人数保存則の制約を緩める （パラメータ： 𝜎! . , 𝜆! . ）
- 20. ②Travel duration probability • 移動時間の確率密度関数（Travel duration distribution）の積分によって与える （パラメータ： 𝜸"! ） 20 手法 𝐹 Δ##*; 𝜸"! = E / /0- 𝑓 𝜏; 𝜸"! 𝑑𝜏 想定する3種類の確率密度関数の可視化 想定する3種類の確率密度関数の式 (𝑁!" #$ = 2 "∈𝑬! 2 !"'( ! 𝐹 Δ!!"; 𝜸)" 𝑀!")")
- 21. EMアルゴリズムによる推論 推定対象のパラメータ(5種類)： ⁃ エリア間移動人数 𝑴 = 𝑀#!" 𝑡 = 1, … , 𝑇; 𝑖 ∈ 𝑽; 𝑗 ∈ 𝑬𝒊 ⁃ エリア間移動確率 𝚯 = 𝜃! 𝑖 ∈ 𝑽 ⁃ Travel duration distributionの形を決めるパラメータ 𝚪 = 𝛾!" 𝑖 ∈ 𝑽; 𝑗 ∈ 𝑬𝒊 ⁃ 出発人数合計が従うガウス分布の分散 𝚺 = 𝜎! 𝑖 ∈ 𝑽 ⁃ 到着人数合計が従うガウス分布の分散 𝚲 = 𝜆! 𝑖 ∈ 𝑽 21 手法 EMアルゴリズムによるパラメータ最適化アルゴリズム
- 22. EMアルゴリズムによる推論 制約条件付き最適化（Eステップ） ⁃ 移動人数 𝑴 制約条件付き最適化（Mステップ） ⁃ 移動確率 𝚯 ⁃ その他のパラメータ 𝚪, 𝚺, 𝚲 22 手法 (11) (13) (14)
- 23. データセット • 展示場における歩行者データ ⁃ 2016年4月29日，10:00~18:00 ⁃ ニコニコ超会議@幕張メッセ ⁃ Hall1, Hall2, Hall3, Hall4にそれぞれ38, 27, 10, 9つの観測エリア ⁃ Bluetooth beaconでデータ収集 （レンジ：~15m, 時間間隔：3分） • ニューヨークにおける交通データ（バイクとタクシー） ⁃ 3月1日8:00~24:00，6月1日8:00~24:00 ⁃ バイクデータ1：citi bike (シェアサイクル), タクシーデータ2：TLCのTrip Record Data ⁃ 観測エリア数：11(バイク)，14（タクシー） ⁃ データ集計間隔：10分 23 検証 1 https://www.citibikenyc.com/system-data 2 http://www.nyc.gov/html/tlc/html/about/trip_record_data.shtml データ詳細
- 24. 比較手法と評価指標 タスク：「実データ（集計人数）から移動人数𝑴の推定」 比較手法 • CFDM • Popularity (人の集まりやすい場所に移動する傾向が高い) • Uniform (完全ランダムで人は移動する) 評価指標 • MNAE (Mean Normalized Absolute Error) 24 検証 1 𝑇 5 #,- 2 ∑!∈𝑽 ∑"∈𝑬𝒊 U 𝑀#!" − 𝑀#!" ∗ ∑!∈𝑽 ∑"∈𝑬𝒊 𝑀#!" ∗ 𝑀!"# ∗ : 時刻𝑡におけるエリア𝑖→エリア𝑗への移動人数正解値 , 𝑀!"#: 時刻𝑡におけるエリア𝑖→エリア𝑗への移動人数推定値
- 26. 結論と今後の展望 • travel duration probabilitiesと観測ノイズをモデルに組み込むことで，人数保存則の制 約を緩和することができるT-CFDMを提案した • 検証結果から明らかなように，実データに対する適用可能性が広がった ⁃ センサによる観測エリアが限定的な場合 ⁃ 誤差や流入・流出などによりユーザーが一貫して観測されないような場合 今後の展望 • 人流傾向の時間変化を捉えられるようにする • 人流傾向からユーザーの属性を分類する • パラメータの最適化にベイズアプローチを導入する • 天候やイベントのような外的要因をモデルに組み入れる • 本モデルを適用する学問領域を広げる ex) 生物科学 (動物の移住など) 26 結論