Mobility Characterization Based on Spatio-Temporal Data

Abstract

Konum-zaman tabanlı parmak izi çıkarımı, bireylerin seyahat davranışlarını analiz etme ve anonimleştirilmiş verilerden kullanıcı kimliklerini tahmin etme süreçlerinde önemli bir rol oynayan, güncel gezginlik (mobility) analizi alanında kritik bir yaklaşımdır. Bu bağlamda, özellikle Trajectory-user linking (TUL) kapsamında yapılan çalışmalar, Lokasyon Tabanlı Sosyal Ağ (LBSN) verileri üzerinde çeşitli yapay sinir ağı modellerinin geliştirilmesiyle dikkat çekmektedir. Bununla birlikte, GPS gibi sıralı ve zamansal boyut içeren konum verileriyle çalışan yapay sinir ağı modellerine ilişkin literatürde henüz kapsamlı bir çalışma bulunmamaktadır. Bu eksikliği gidermek amacıyla, sıralı konum-zaman verilerini işleyebilen yenilikçi bir model olan Spatio-Temporal Sequential Graph Neural Network (STSeqGNN) bu çalışmada önerilmiştir. Geliştirilen model, hem haritanın çizge yapısını hem de verilerin zaman boyutunu etkili ve verimli bir şekilde işleyebilme kabiliyetiyle öne çıkmaktadır. Ayrıca, güzergahlara ait hareket bilgilerini ve temel istatistiksel özellikleri de analiz edebilme yeteneğine sahiptir. Bu özellikleri sayesinde, STSeqGNN hem veri bütünlüğünü koruyarak hem de hareket paternlerini anlamlandırarak daha hassas tahminlerde bulunabilmektedir. Modelin performansı, farklı veri setleri üzerinde test edilmiş ve sonuçlar, k-tahmin doğruluğu (k-accuracy) metriği kullanılarak değerlendirilmiştir. Elde edilen bulgular, modelin \%99'un üzerinde bir başarı oranına ulaşarak, özellikle seyahat davranışı analizinde etkili bir yöntem sunduğunu göstermektedir. Bu durum, STSeqGNN'nin hem teorik hem de pratik açıdan güçlü bir araç olduğunu kanıtlamaktadır

Spatio-temporal fingerprinting plays a crucial role in contemporary mobility analysis, particularly in understanding travel behaviors and inferring user identities from anonymized data. In this context, studies under the Trajectory-User Linking (TUL) framework have focused on developing various neural network models using Location-Based Social Network (LBSN) data. However, there is a notable gap in the literature regarding neural network models designed specifically to process sequential spatio-temporal data, such as GPS traces. To address this gap, this study introduces an innovative model called the Spatio-Temporal Sequential Graph Neural Network (STSeqGNN), capable of processing sequential spatio-temporal data effectively. The proposed model excels in leveraging both the graph structure of the map and the temporal dimension of the data, ensuring efficient and accurate processing. Additionally, it evaluates the mobility patterns and fundamental statistical properties of trajectories, enabling more precise predictions while preserving data integrity. The model's performance was evaluated on multiple datasets, and the results were assessed using the k-accuracy metric. The findings demonstrate that STSeqGNN achieves an accuracy of over 99\% across various datasets, highlighting its effectiveness in analyzing travel behaviors. These results underline the model's strong potential as a powerful tool for both theoretical exploration and practical applications in mobility analysis.