STSeqGNN - Konum-Zaman Tabanli Hareket Karakterizasyonu

Abstract

Konum-zaman tabanlı parmak-izi çıkarımı, güncel ve gezginlik (mobility) analizi alanında kritik kabul edilen bir konudur. TUL (Trajectory-user linking) adı altında, LBSN verisi üzerinde çalışan bir çok yapay sinir ağı modeli ortaya konmuştur. Fakat bildiğimiz kadarıyla GPS gibi sıralı konum-zaman verisi ile çalışan yapay sinir ağı üzerinde bir çalışma vücuda gelmemiştir. Bu çalışmada, sıralı konum-zaman verisi işleyebilen, STSeqGNN modelini sunuyoruz. Modelimiz, hem haritanın çizge yapısını, hem de verinin zaman boyutunu verimli ve başarılı bir şekilde işlemektedir. Modelimiz ayrıca güzergahların hareket bilgileri ve temel istatistiksel değerlerini de kullanabilmektedir. Test sonuçlarımızı k tahminde doğruluk metriği ile göstermiş bulunmaktayız. Modelimiz farklı veri kümelerinde %99’un üzerinde başarı yakalamaktadır.

Spatio-temporal finger-printing is an active research topic, which is of critical importance in mobility analysis. Various neural network models working on LBSN data have been presented within the framework of TUL (Trajectory-user linking). However, to the best of our knowledge, there are no studies on neural networks for sequential spatio-temporal data like GPS in the literature. Therefore, here we present the STSeqGNN model, which can process sequential spatiotemporal data. Our model can process the graph structure of the map and the time dimension of the data. Our model also can use movement information and basic statistical values for better finger-printing performance. We present our test results with the evaluation metric accuracy at k. Our model achieves more than 99% accuracy across different datasets.