6. 목적지 예측
6.1. 문제 정의
91
92
위치 측위 기술의 발달과 스마트 디바이스의 지속적 보급으로 인해 좀 더 사용자의 생활에 밀착된 서비스들이 가능한 상황이 되
어가고 있다. 실제로 Google Now와 같은 상용화된 솔루션이 시도되
고 있으며, 스마트 홈 (smart home)이나 비콘 (beacon)을 활용한 위
치 서비스 등 과 같은 생활 밀착형 서비스와 연구들이 지속적으로 증가하고 있는 추세이다. 이러한 상황적 변화에서 목적지 예측 연구 또한 생활에 밀접한 장소간의 이동을 예측하는 연구가 필요하다고 할 수 있다. 기존에는 직장과 집의 이동을 예측하는 것이었다면, 이 에 더 나아가 직장 생활 내에서의 단거리 이동이나 일시적 방문에 대한 예측을 하는 것이라고 할 수 있다. 목적지를 예측하는 단위 수 준이 세밀해질수록 진화된 개인화 서비스를 제공하는 등의 응용이 가능해질 것으로 예상된다.
하지만 본 연구에서 다루고자 하는 세부적인 장소 단위에 대한 예측에 기존 방법론을 적용하는 데에 어려움이 존재한다. 우선 모바 일 디바이스 본연의 데이터 불안정성과 현재의 측정 기술 한계에 의한 정확도 문제에 민감하다. 생활 장소보다 큰 단위에 대한 장소 를 활용할 시에는 작은 단위의 오류가 큰 문제가 되지 않지만, 작은 단위의 장소 추론 시에는 이에 대한 보정 과정이 필수적이다. 다음 으로 사용자의 생활 단위 이동을 관찰함으로써 발견되는 이동의 불 규칙성이 증가할 수 있다. 출근 및 퇴근과 같은 이벤트의 경우에도 세부적으로 내부의 활동을 관찰하였을 시, 점심을 위해 식당을 방문 하거나 회의를 위해 다른 건물을 방문하는 등의 이벤트가 내부적으 로 존재할 수 있다. 이런 이벤트는 구역간의 장소 이동에 비해 좀 더 불규칙적이고 즉흥적인 특징이 있다. 마지막으로 장소의 단위가 구체화 될 수록 개인적인 성향이 강해지므로, 다른 장소 추론 케이 스에 비해 참조로 사용할만한 유사한 패턴의 확인 및 적용이 어려
93 운 고도로 개인화된 영역이라고 할 수 있다.
따라서, 본 연구에서는 대상의 장소 방문에 대한 사용자의 의도
를 시간과 장소 정보와 함께 주기성 여부를 함께 고려한 STP 패턴
(spatio-temporal-periodic pattern)을 기반으로 정의하는 방법론을 제
안하고, 이를 목적지 예측을 위한 마코프 모형 (Markov model)의 입
력으로 사용하여 목적지를 예측하는 방법론을 제안한다. 이에 더하
여 STP 패턴을 탐색할 시 발생할 수 있는 과적합 (overfitting) 문제
를 해결하기 위해 감쇄 팩터 (decay factor)를 알고리즘에 반영하고,
규칙적이지 않고 일시적으로 방문하는 경우를 대응할 수 있게 하기
위해 갭 시퀀스 마이닝 (gap sequence mining) 기법을 적용하여 데이
터 내에 내재되어 있는 패턴들을 빠른 시점에 찾을 수 있도록 하였 다.
94