| Item type |
Trans(1) |
| 公開日 |
2015-09-30 |
| タイトル |
|
|
タイトル |
移動手段推定のための表現学習を用いたGPSログからの特徴抽出 |
| タイトル |
|
|
言語 |
en |
|
タイトル |
Feature Extraction from GPS Logs Using Representation Learning for Transportation Mode Estimation |
| 言語 |
|
|
言語 |
jpn |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
[研究論文] 移動軌跡，移動手段，表現学習，deep learning |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_6501 |
|
資源タイプ |
journal article |
| 著者所属 |
|
|
|
日本電信電話株式会社NTTサービスエボリューション研究所 |
| 著者所属 |
|
|
|
日本電信電話株式会社NTTサービスエボリューション研究所 |
| 著者所属 |
|
|
|
日本電信電話株式会社NTTサービスエボリューション研究所 |
| 著者所属(英) |
|
|
|
en |
|
|
NTT Service Evolution Laboratories, NTT Corporation |
| 著者所属(英) |
|
|
|
en |
|
|
NTT Service Evolution Laboratories, NTT Corporation |
| 著者所属(英) |
|
|
|
en |
|
|
NTT Service Evolution Laboratories, NTT Corporation |
| 著者名 |
遠藤, 結城
戸田, 浩之
小池, 義昌
|
| 著者名(英) |
Yuki, Endo
Hiroyuki, Toda
Yoshimasa, Koike
|
| 論文抄録 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
本稿ではGPS測位などによって取得されたユーザの移動履歴（GPSログ）から，歩行や車などのユーザの移動手段を推定する移動手段推定に取り組む．従来の移動手段推定手法は，複数ユーザのGPSログと移動手段アノテーションを用いることで，教師あり学習の枠組みで推定モデルを構築している．教師あり学習を用いるアプローチにおいては，GPSログから推定に有効な特徴を抽出することが大きな課題であり，従来は試行錯誤を通じて人手によって特徴が設計されてきた．しかしながら，人々の行動は多様であり，移動軌跡も様々な特徴を含んでいるため，人手による特徴設計ではすべての特徴を網羅するような特徴抽出が困難であるという限界がある．我々は，特徴表現をデータから自動的に獲得する表現学習を用いることで，人手による特徴設計では困難な推定精度達成が可能であると考えた．本稿では，高性能な表現学習を実現するために，入力されたGPSログから移動手段に特徴的な情報を保持したまま表現学習の入力に変換する手法を開発し，これを採用したフレームワークを提案する．提案フレームワークにおいては，表現学習としてdeep learningを用いて新たな特徴表現を抽出し，これを加えた特徴をもとに教師あり学習を行うことで推定モデルを構築する．実データであるGeoLifeデータセットを用いた評価実験の結果，人手による特徴設計を用いる従来手法と比べて，提案手法が高い推定精度を示した．これにより，GPSログに対する表現学習の有効性を確認した． |
| 論文抄録(英) |
|
|
内容記述タイプ |
Other |
|
内容記述 |
This paper tackles the problem of estimating user's transportation modes such as walking and car from their movement trajectories (GPS logs). Existing research has adopted supervised learning approaches and constructed an estimation model. In such approaches, creating effective features for estimation from GPS logs is a challenging problem and researchers have used their ingenuity to find effective features by trial and error. However, such handcrafted features cannot cover all features for ideal estimation because people's behaviors are diverse and movement trajectories also include various aspects. We focus on representation learning that can automatically learn features and this may enable more accurate estimation of transportation modes. To achieve this, we have developed a method that can convert raw GPS logs into image data while keeping discriminative information for representation learning, and we propose a framework for transportation mode estimation that includes this method. In our framework, we adopt a deep learning for extracting new feature representations. An estimation model is then constructed in a supervised manner using the extracted features. From the results of evaluation using a GeoLife dataset, our technique achieves higher accuracy than feature engineering approaches and we confirm effectiveness of representation learning for trajectory data. |
| 書誌レコードID |
|
|
収録物識別子タイプ |
NCID |
|
収録物識別子 |
AA11464847 |
| 書誌情報 |
情報処理学会論文誌データベース（TOD）
巻 8,
号 3,
p. 12-23,
発行日 2015-09-30
|
| ISSN |
|
|
収録物識別子タイプ |
ISSN |
|
収録物識別子 |
1882-7799 |
| 出版者 |
|
|
言語 |
ja |
|
出版者 |
情報処理学会 |
IPSJ-TOD0803003.pdf (2.9 MB)
