딥러닝 기술에 기반한 사용자 이동 경로의 이상치 탐지 기법 (Anomaly Detection Method of User Trajectories based on Deep Learning Technologies)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 20권 / 11호 / 101 ~ 116페이지
· 저자명 : 이강준, 정현준, 이석훈

초록

이동 경로 데이터는 각종 모바일 디바이스를 이용하여 GPS 위치를 연속적으로 갖는 데이터를 의미하며, 이러한 이동 경로 데이터가 기계 학습에 활용되기 위해서는 데이터 검수 및 정제가 중요하다. 이 중 이상치 탐지 기술은 데이터셋의 이상 데이터를 찾아 데이터의 품질을 향상시켜 기계 학습의 성능을 향상시킨다. 본 논문은 사용자 이동 경로에 대한 이상치를 유형별로 기술하고, 5가지 딥러닝 모델(CNN, DNN, LSTM, Bi-LSTM, LSTM 오토인코더)을 사용하여 이상치를 탐지하는 모델을 제안한다. 또한, 5가지 딥러닝 모델 중 가장 적합한 모델을 선정하기 위하여 실제 이동 경로 데이터셋을 각 모델에 학습시키고 이상치를 탐지하여 그 성능을 측정한다. 비교 평가 결과, LSTM 오토인코더 모델이 다른 모델에 비해 이상치 탐지를 위한 F1-score가 가장 높았으며 안정적인 성능을 보였다.

영어초록

Trajectory data refers to data having a continuous GPS location using various mobile devices, and data inspection and refinement are important in order for such trajectory data to be utilized for machine learning. The Anomaly detection technology improves the performance of machine learning by finding outliers in the dataset and improving the quality of the data. This paper describes outlier types from user trajectories and proposes a model for detecting outliers using 5 deep learning models(CNN, DNN, LSTM, Bi-LSTM, LSTM-autoencoder). In addition, in order to select the most suitable model among the 5 deep learning models, the actual trajectory dataset is trained on each model, and its performance is measured by detecting outliers. As a result of the comparative evaluation, the LSTM-autoencoder model had the highest F1-score for anomaly detection compared to other models and showed stable performance.

참고자료

· 없음