Method for Deriving Staying Point of Smartphone GPS Trajectory and Creating Contextual Information

doi:10.16879/jkca.2023.23.2.061

All Issue

2023 Vol.23, Issue 2 Preview Page Next Page

Research Article

Method for Deriving Staying Point of Smartphone GPS Trajectory and Creating Contextual Information 스마트폰 GPS 궤적의 체류 지점 도출 및 맥락정보 생성 방법: 이희주¹, 노승민², 강영옥^3†
Huiju Lee¹, Seungmin Noh², Youngok Kang^3†; ¹이화여자대학교 일반대학원 빅데이터분석학 협동과정 석사과정
²이화여자대학교 일반대학원 사회과교육과 지리학전공 석사과정
³이화여자대학교 사회과교육과 교수

¹M.A. Student, Department of Big Data Analytics, Ewha Womans University
²M.A. Student, Department of social studies, Ewha Womans University
³Professor, Department of social studies, Ewha Womans University

31 August 2023. pp. 61-72

PDF

Abstract

With the advancement of location tracking technology and the proliferation of mobile devices in today’s world, the opportunities for utilizing an individuals’ movement trajectory data has increased. Particularly, the derivation of stay points from smartphone GPS trajectory data constitutes a foundational analysis, forming the basis for various applications such as predicting subsequent visited locations, estimating travel time, and providing place recommendations. This study focuses on extracting stay points from smartphone GPS trajectory data and emphasizes the approach to enriching these stay points with contextual information. With the ultimate goal of lifestyle pattern mining in mind, a systematic procedure for generating contextual information was developed. To provide contextual information, Kakao POI was utilized, and a structured approach was employed to reclassify POI categories, incorporate building cluster data for residential estimation, refine contextual information considering time aspects, and integrate commercial facilities within extensive building clusters. Leveraging the generated contextual information, attributes including individual stay duration, stay frequency, movement trajectories, and travel radius were established. Subsequently, for lifestyle pattern analysis, dimension reduction and clustering processes were undertaken to comprehend the characteristics of each cluster. This study applied the collected smartphone GPS data spanning approximately a week from 47 residents in Anyang City, systematically applying the formulated stay points and contextual information to mine lifestyle patterns. The significance of this lies in demonstrating the potential of utilizing contextual information by mining lifestyle patterns through the structured stay points and contextual information, thus solidifying its practical application.

Keywords

Trajectory data of smartphones

Stay points

Context information

Lifestyle pattern mining

Kakao Points of Interest (POI)

오늘날 위치 수집 기술의 발전과 모바일 기기의 증가로 사람의 이동 궤적 데이터를 활용할 기회가 증가하고 있다. 특히 스마트폰 궤적 데이터에서 체류 지점의 도출은 이를 기반으로 다음 방문 장소 예측, 소요 시간 예측, 장소 추천 등 다양한 응용에 기초가 되는 분석이다.본 연구는 스마트폰 GPS 궤적 데이터에서 체류 지점을 도출하고, 체류 지점에 대한 맥락정보 부여 방안에 초점을 두었다. 생활 패턴 마이닝을 최종 목표로 하여 맥락정보 생성 절차를 체계화하였다. 맥락정보 부여를 위해 카카오 POI를 사용하였으며, POI 카테고리의 재분류, 거주지 추정을 위한 건물군 데이터의 추가, 시간 정보를 고려한 맥락정보 수정 그리고 대단위 건물군내 상업시설 통합 등의 과정을 체계화하였다. 생성된 맥락정보를 바탕으로 개인의 체류 시간, 체류 빈도, 이동 궤적, 이동 반경을 속성값으로 생성하였다. 이후 생활 패턴 분석을 위해 차원 축소, 군집화 과정을 거쳐 각 군집의 특징을 파악하였다. 본 연구는 안양시 거주민 47명의 약 일주일간 스마트폰 GPS 데이터를 수집하여 적용하였으며, 체계화 된 체류 지점과 맥락정보를 활용하여 생활 패턴을 마이닝함으로써 맥락정보 활용 가능성을 입증하였다는 점에 의의가 있다.

키워드

스마트폰 궤적 데이터

체류 지점

맥락정보

생활패턴마이닝

카카오 POI

References

김종환･이석준･김인철, 2014, “다음 장소 예측을 위한 맵리듀스 기반의 이동 패턴 마이닝 시스템 설계,” 정보처리학회논문지: 소프트웨어 및 데이터공학, 3(8), 321-328. 10.3745/KTSDE.2014.3.8.321
김지연･이도현･이지윤･조주연･강영옥, 2022, “궤적 데이터 마이닝 연구 동향: 응용 분야와 분석 방법론을 중심으로,” 한국지도학회지, 22(3), 37-57. 10.16879/jkca.2022.22.3.037
박진관･오수열, 2016, “통계적 분석방법을 이용한 Stay Point 추출 연구,” 스마트미디어저널, 5(4), 26-40.
윤승원･이원희･이규철, 2022, “보행자 GPS 경로 예측 딥러닝 모델과 그 방법,” 한국컴퓨터정보학회논문지, 27(8), 61-68.
이주윤･강영옥･김나연･김동은･박예림, 2018, “궤적 데이터 마이닝을 통한 서울방문 관광객의 이동 특성 분석,” 한국지도학회지, 18(3), 117-129. 10.16879/jkca.2018.18.3.117
정치윤･김무섭･정현태･정승은, 2020, “GPS 기반 이동수단 분류 방법 및 수집 주기 최적화 연구,” 정보기술융합공학논문지, 10(2), 37-47. 10.22733/JITAE.2020.10.02.005
조나혜･강영옥, 2018, “STP(Space Time Path)를 이용한 로그데이터의 시각화 및 특징 분석,” 한국지도학회지, 18(1), 93-102. 10.16879/jkca.2018.18.1.093
홍지혜･박기성･한용구･이영구, 2013, “개인화 서비스를 위한 그래프 기반의 궤적 데이터 모델링 기법,” 정보과학회논문지: 컴퓨팅의 실제 및 레터, 19(1), 51-55.
Birant, D. and Kut, A., 2007, ST-DBSCAN: An algorithm for clustering spatial–temporal data, Data & Knowledge Engineering, 60(1), 208-221. 10.1016/j.datak.2006.01.013
Campello, R., Moulavi, D., and Joerg, S., 2013, Density-based clustering based on hierarchical density estimates, Proceeding, Pacific-Asia Conference on Knowledge Discovery and Data Mining, April 14-17, Gold Coast, Australia, 160-172. 10.1007/978-3-642-37456-2_14
Cao, H., Xu, F., Sankaranarayanan, J., Li, Y., and Samet, H., 2020, Habit2vec: Trajectory semantic embedding for living pattern recognition in population, IEEE Transactions on Mobile Computing, 19(5), 1096-1108. 10.1109/TMC.2019.2902403
Cho, N. and Kang, Y., 2019, Identifying staying places with global positioning system movement data using 3D density-based spatial clustering of applications with noise, Sensors and Materials, 31(10), 3273-3287. 10.18494/SAM.2019.2410
Ester, M., Kriegel, H.P., Sander, J., and Xu, X., 1996, A density-based algorithm for discovering clusters in large spatial databases with noise, Proceedings, KDD’96: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, August 2-4, Portland, OR, USA, 226-231.
Gidófalvi, G. and Dong, F., 2012, When and where next: Individual mobility prediction, Proceedings, MobiGIS’ 12: 1^st ACM SIGSPATIAL International Workshop on Mobile Geographic Information Systems, November 6, Redondo Beach, CA, USA, 57–64. 10.1145/2442810.2442821
Pappalardo, L., Simini, F., Barlacchi, G., and Pellungrini, R., 2022, Scikit-mobility: A python library for the analysis, generation, and risk assessment of mobility data, Journal of Statistical Software, 103(4), 1-38. 10.18637/jss.v103.i04
Su, L. and Li, L., 2019, Trajectory prediction based on machine learning, Proceedings, 2nd International Conference on Communication, Network and Artificial Intelligence, December 27-29, Guangzhou, China, 790(1), 12032. 10.1088/1757-899X/790/1/012032
Tao, M., Sun, G., and Wang, T., 2020, Urban mobility prediction based on LSTM and discrete position relationship model, Proceedings, 2020 16th International Conference on Mobility, Sensing and Networking (MSN), December 17-19, Tokyo, Japan, 473-478. 10.1109/MSN50589.2020.0008131862367
Van der Maaten, L. and Hinton, G., 2008, Visualizing data using t-SNE, Journal of Machine Learning Research, 9, 2579-2605.
Xiao, X., Zheng, Y., Luo, Q., and Xie, X., 2010, Finding similar users using category-based location history, Proceedings, GIS ’10: 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems, November 2-5, San Jose, CA, USA, 442-445. 10.1145/1869790.1869857

Information

Publisher :The Korean Cartographic Association
Publisher(Ko) :한국지도학회
Journal Title :Journal of the Korean Cartographic Association
Journal Title(Ko) :한국지도학회지
Volume : 23
No :2
Pages :61-72
DOI :https://doi.org/10.16879/jkca.2023.23.2.061

[1] 김종환･이석준･김인철, 2014, “다음 장소 예측을 위한 맵리듀스 기반의 이동 패턴 마이닝 시스템 설계,” 정보처리학회논문지: 소프트웨어 및 데이터공학, 3(8), 321-328. 10.3745/KTSDE.2014.3.8.321

[2] 김지연･이도현･이지윤･조주연･강영옥, 2022, “궤적 데이터 마이닝 연구 동향: 응용 분야와 분석 방법론을 중심으로,” 한국지도학회지, 22(3), 37-57. 10.16879/jkca.2022.22.3.037

[3] 박진관･오수열, 2016, “통계적 분석방법을 이용한 Stay Point 추출 연구,” 스마트미디어저널, 5(4), 26-40.

[4] 윤승원･이원희･이규철, 2022, “보행자 GPS 경로 예측 딥러닝 모델과 그 방법,” 한국컴퓨터정보학회논문지, 27(8), 61-68.

[5] 이주윤･강영옥･김나연･김동은･박예림, 2018, “궤적 데이터 마이닝을 통한 서울방문 관광객의 이동 특성 분석,” 한국지도학회지, 18(3), 117-129. 10.16879/jkca.2018.18.3.117

[6] 정치윤･김무섭･정현태･정승은, 2020, “GPS 기반 이동수단 분류 방법 및 수집 주기 최적화 연구,” 정보기술융합공학논문지, 10(2), 37-47. 10.22733/JITAE.2020.10.02.005

[7] 조나혜･강영옥, 2018, “STP(Space Time Path)를 이용한 로그데이터의 시각화 및 특징 분석,” 한국지도학회지, 18(1), 93-102. 10.16879/jkca.2018.18.1.093

[8] 홍지혜･박기성･한용구･이영구, 2013, “개인화 서비스를 위한 그래프 기반의 궤적 데이터 모델링 기법,” 정보과학회논문지: 컴퓨팅의 실제 및 레터, 19(1), 51-55.

[9] Birant, D. and Kut, A., 2007, ST-DBSCAN: An algorithm for clustering spatial–temporal data, Data & Knowledge Engineering, 60(1), 208-221. 10.1016/j.datak.2006.01.013

[10] Campello, R., Moulavi, D., and Joerg, S., 2013, Density-based clustering based on hierarchical density estimates, Proceeding, Pacific-Asia Conference on Knowledge Discovery and Data Mining, April 14-17, Gold Coast, Australia, 160-172. 10.1007/978-3-642-37456-2_14

[11] Cao, H., Xu, F., Sankaranarayanan, J., Li, Y., and Samet, H., 2020, Habit2vec: Trajectory semantic embedding for living pattern recognition in population, IEEE Transactions on Mobile Computing, 19(5), 1096-1108. 10.1109/TMC.2019.2902403

[12] Cho, N. and Kang, Y., 2019, Identifying staying places with global positioning system movement data using 3D density-based spatial clustering of applications with noise, Sensors and Materials, 31(10), 3273-3287. 10.18494/SAM.2019.2410

[13] Ester, M., Kriegel, H.P., Sander, J., and Xu, X., 1996, A density-based algorithm for discovering clusters in large spatial databases with noise, Proceedings, KDD’96: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, August 2-4, Portland, OR, USA, 226-231.

[14] Gidófalvi, G. and Dong, F., 2012, When and where next: Individual mobility prediction, Proceedings, MobiGIS’ 12: 1^st ACM SIGSPATIAL International Workshop on Mobile Geographic Information Systems, November 6, Redondo Beach, CA, USA, 57–64. 10.1145/2442810.2442821

[15] Pappalardo, L., Simini, F., Barlacchi, G., and Pellungrini, R., 2022, Scikit-mobility: A python library for the analysis, generation, and risk assessment of mobility data, Journal of Statistical Software, 103(4), 1-38. 10.18637/jss.v103.i04

[16] Su, L. and Li, L., 2019, Trajectory prediction based on machine learning, Proceedings, 2nd International Conference on Communication, Network and Artificial Intelligence, December 27-29, Guangzhou, China, 790(1), 12032. 10.1088/1757-899X/790/1/012032

[17] Tao, M., Sun, G., and Wang, T., 2020, Urban mobility prediction based on LSTM and discrete position relationship model, Proceedings, 2020 16th International Conference on Mobility, Sensing and Networking (MSN), December 17-19, Tokyo, Japan, 473-478. 10.1109/MSN50589.2020.0008131862367

[18] Van der Maaten, L. and Hinton, G., 2008, Visualizing data using t-SNE, Journal of Machine Learning Research, 9, 2579-2605.

[19] Xiao, X., Zheng, Y., Luo, Q., and Xie, X., 2010, Finding similar users using category-based location history, Proceedings, GIS ’10: 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems, November 2-5, San Jose, CA, USA, 442-445. 10.1145/1869790.1869857

Journal of the Korean Cartographic Association ISSN:1598-6160(Print) 한국지도학회지

All Issue