KR20080084504A

KR20080084504A - 도로 네트워크 공간에서 이동객체의 유사 궤적 클러스터링방법

Info

Publication number: KR20080084504A
Application number: KR1020070026351A
Authority: KR
Inventors: 김상욱; 백지행; 원정임; 박경린
Original assignee: 제주대학교 산학협력단
Priority date: 2007-03-16
Filing date: 2007-03-16
Publication date: 2008-09-19
Also published as: KR100923723B1

Abstract

본 발명은 도로 네트워크 공간에서 유사 궤적 클러스터링 방법에 대한 것으로서, (a) 도로 네트워크 공간 상에서 이동 객체의 궤적 데이터를 데이터베이스에 저장하는 단계; (b) 상기 데이터베이스에 저장된 상기 궤적 데이터에 대하여 매칭되는 유사도 측정 함수값이 있는지를 판단하는 단계; (c) 상기 (b) 단계에서 유사도 측정 함수값과 매칭되지 않는 경우 유사도 측정 함수에 의하여 유사도를 측정하여 저장하는 단계; (d) 상기 유사도 측정 함수값이 가장 큰 값을 가지는 임의의 두 궤적을 검색하는 단계; (e) 상기 (d) 단계에서 검색된 두 궤적을 기준으로 궤적들을 k차원으로 맵핑하는 단계; (f) 상기 (e) 단계에서 맵핑된 결과를 대상으로 클러스터링을 수행하는 단계; 및 (g) 상기 (f) 단계에서 구성된 클러스터를 데이터베이스에 저장하는 단계를 포함하며, 도로 네트워크 내의 이동 객체들을 대상으로 하는 효과적인 유사 궤적 검색 및 클러스터링을 수행할 수 있게 된다.

도로 네트워크, 이동객체, 유사궤적, 유사도함수, DSL함수, 요약정보

Description

도로 네트워크 공간에서 이동객체의 유사 궤적 클러스터링 방법{Method for clustering similar trajectories of moving objects in road network databases}

도1은 본 발명의 일실시예에 따른 이동 객체의 궤적을 표현한 세그먼트의 개략도이다.

도2는 본 발명에 따른 도로 네트워크 공간 상에서 이동 객체 궤적의 유사도 측정 순서도이다.

도3은 본 발명에 따른 도로 네트워크 공간 상에서 이동 객체의 유사 궤적 클러스터링 과정의 흐름도이다.

도4는 본 발명에 따른 도로 네트워크 상에서 이동 객체의 유사 궤적들을 클러스터링한 예시도이다.

도5는 본 발명에 따른 이동 객체의 유사 궤적의 클러스터링 과정에서 클러스터 정보의 요약 과정을 나타낸다.

도6은 본 발명에 따른 도로 네트워크 공간상에서 이동 객체의 질의 궤적과 유사한 궤적을 검색하는 순서도이다.

본 발명은 도로 네트워크 공간에서 유사 궤적 클러스터링 방법에 대한 것으로서, 더욱 상세하게는 도로 네트워크 궤적 공간 상에서 시간의 흐름에 따라 이동 객체 들이 움직인 대용량 궤적 정보를 대상으로 주어진 질의 궤적과 유사한 궤적 클러스터를 효율적으로 검색하기 위한 도로 네트워크 공간에서 유사 궤적 클러스터링 방법에 대한 것이다.

최근 들어, 이동 통신, 텔레메틱스, GPS 등의 기술발달로 인해 이동 객체의 위치 정보를 효과적으로 활용하기 위한 방안에 대한 관심이 증대되고 있다.

이동 객체는 주기적으로 자신의 위치를 서버로 전송하는데, 이 데이터들은 시간의 흐름에 따라 공간적인 위치 정보가 변화하는 시공간 데이터(spatio-temporal data)의 특성을 갖는다.

이동 객체 데이터베이스에 대한 사용자의 질의는 이동 객체의 과거 이동 경로 이력을 검색하는 과거 시간 질의와 이동 객체의 미래의 움직임을 예측하여 검색하는 미래 시간 질의의 두 가지 질의 형태로 크게 분류할 수 있고, 이중에서 미래 시간 질의는 위치기반 서비스, 교통 정보 시스템, 항공기 통제 시스템 등 미래 상황 예측에 기반한 다양한 서비스에 활용이 가능하다.

상기 서비스는 일정 시간 간격마다 위성 내의 GPS를 이용하여 측정된 이동 객체의 궤적 정보를 기반으로 한다.

상기 궤적 정보를 효율적으로 저장 및 관리하는 기법 중에서 주어진 이동 객체의 궤적과 유사한 궤적을 검색 또는 클러스터링하고, 이를 도로정보 및 사용자 정보등과 연계하여 분석하려는 시도가 활발히 진행되고 있다.

이들 대부분의 시도는 유클리디안(Euclidean) 공간 상에서 2차원의 공간 좌표(x, y)의 연속으로 표현되는 이동 객체의 궤적 정보를 대상으로 하며, 유사 궤적을 검색하기 위한 유사도 측정 방식으로 공간 좌표 상의 거리 측정 방식인 유클리디안 거리를 사용한다.

지금까지 유클리디안 공간상에서 이동 객체 궤적들 간의 유사도 측정을 위하여 EU(Euclidean distance), DTW (dynamic time warping distance), ERP(edit distance with real penalty), LCSS(longest common sub -sequences), EDR(edit distance in real sequence) 등의 거리 함수를 이용한 기법들이 제안되어 있다.

여기서, 상기 EU 방식은 길이가 같은 두 궤적이 주어졌을 때, 궤적을 구성하는 k차원 시공간 좌표들 간의 유클리디안 거리를 구하는 방식이다.

이 방식은 비교하는 두 궤적의 길이가 동일해야 한다는 제약이 있어서, 실제 응용에서는 궤적들의 길이가 동일하지 않기 때문에 이 방법은 적합하지 않다.

DTW 방식은 서로 다른 길이를 갖는 궤적들 간의 유사도를 측정하기 위하여 궤적내의 특정 시공간 좌표 값을 임의의 수만큼 반복시키는 것을 허용하는 방식이다. ERP 방식은 유사 궤적 내에 갭을 허용하며, 길이가 서로 다른 두 궤적간의 유사도 측정이 가능하지만 잡음에 매우 민감하다는 단점이 있다. EU, DTW, ERP 함수는 모두 잡음에 민감한 유사도 측정 방식이므로, 궤적의 획득 혹은 표현 과정에서 잡음이 발생할 가능성이 높은 실제의 궤적들을 대상으로 할 경우 정확도가 낮다는 단점을 갖는다.

이러한 문제점을 해결한 방식으로 LCSS 방식과 EDR 방식을 들 수 있다. 이들 방식은 잡음에 의한 민감도를 감소시키기 위하여 유사 궤적내의 시공간 좌표 값의 차이가 주어진 허용치보다 작으면 두 좌표가 매칭된 것으로 간주하는 방식이다. 그러나 LCSS 방식은 궤적 내에 갭을 허용하지 않는 유사도 측정 방식으로 정확도가 낮다는 단점을 갖는다. EDR 방식은 유사도 측정을 위하여 에디트 거리(edit distance)를 사용하며, LCSS와 달리 궤적내의 갭을 허용하는 방식이다.

이들 방식들은 모두 유클리디안 공간을 기반으로 하므로 본 발명에서 대상으로 하는 도로 네트워크 공간상에서의 궤적들 간의 유사도 측정에는 적합하지 않다.

도로 네트워크 공간상에서의 궤적은 이동 객체가 거쳐간 도로 세그먼트들의 연속으로 표현되며, 이 경우 연속적으로 동일 도로 세그먼트가 반복적으로 궤적 내에 출현하는 경우는 발생하지 않는다. 따라서 반복을 허용하는 DTW나 ERP 방식은 적용할 수가 없다. 또한, LCSS나 EDR 방식은 궤적을 구성하는 도로 세그먼트의 식별자에 대하여 유사도 측정이 가능하나, 서브 궤적에 대한 유사도 측정 과정을 반복적으로 수행해야하므로 이로 인한 성능 저하 문제가 발생할 수 있다.

본 발명은 상기와 같은 문제점을 해결하기 위하여 제안된 것으로, 기존의 유클리디언 공간에서가 아니라 데이터베이스에 저장된 이동 객체의 궤적 정보에 대한 유사도 측정 함수를 제시하고 이를 통한 클러스터 방법을 제공하기 위한 것이다.

또한, 이동 객체의 질의 궤적에 대하여 해당 클러스터를 신속하게 검색하는 질의 처리 방법을 제공하기 위한 것이다.

또한, 이동 객체의 궤적에 대한 유사로 검색된 클러스터와 연관된 사용자 정 보, 도로 정보를 사용자에게 함께 제공하여 활용되는 클러스터링 검색 방법을 제공하기 위한 것이다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 도로 네트워크에서 이동 객체 궤적의 유사도 측정 방법은, (a) 도로 네트워크 공간 상에서 이동 객체의 궤적을 세그먼트 식별자와 세그먼트의 길이를 포함하는 궤적 데이터로서 데이터베이스에 저장하는 단계; (b) 상기 저장된 특정 궤적과 데이터베이스에 이미 저장된 궤적에 대하여 유사도 측정함수에 의한 계산된 측정값이 있는지를 판단하는 단계; (c) 상기 저장된 특정 궤적에 대하여 유사도 측정 함수에 의해 계산된 값이 없는 경우에는 상기 유사도 측정함수에 의해 유사도 측정 함수값을 계산하는 단계; (d) 상기 (c) 단계에서 측정된 함수값을 데이터베이스에서 상기 특정 궤적과 데이터베이스에 저장된 궤적간에 대한 유사도값으로서 데이터베이스에 저장하는 단계; 및 (e) 상기 (b) 단계에서 저장된 특정 궤적에 대하여 유사도 측정 함수에 의해 계산된 값이 없는 경우에는 상기 특정 궤적에 대하여 유사도 측정 함수값이 이미 계산된 유사도 측정값을 저장하는 단계를 포함하는 것을 특징으로 하는 것이다.

또한, 본 발명에 따른 도로 네트워크에서 이동 객체 궤적의 유사도 측정 방법에 있어서, 상기 유사도 측정 함수는 임의의 두 개의 궤적을 각각 T_i, T_j라고 할때, 다음식 DSN(T_i, T_j)

로 주어지는 것을 특징으로 하는 것이다.

또한, 본 발명에 따른 도로 네트워크에서 이동 객체 궤적의 유사도 측정 방법에 있어서, 상기 유사도 측정 함수는 임의의 두 개의 궤적을 각각 T_i, T_j라고 할때, 다음식 DSL(T_i, T_j)

로 주어지는 것을 특징으로 하는 것이다.

한편, 본 발명에 따른 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법은, (a) 도로 네트워크 공간 상에서 이동 객체의 궤적 데이터를 데이터베이스에 저장하는 단계; (b) 상기 데이터베이스에 저장된 상기 궤적 데이터에 대하여 매칭되는 유사도 측정 함수값이 있는지를 판단하는 단계; (c) 상기 (b) 단계에서 유사도 측정 함수값과 매칭되지 않는 경우 유사도 측정 함수에 의하여 유사도를 측정하여 저장하는 단계; (d) 상기 유사도 측정 함수값이 가장 큰 값을 가지는 임의의 두 궤적을 검색하는 단계; (e) 상기 (d) 단계에서 검색된 두 궤적을 기준으로 궤적들을 k차원으로 맵핑하는 단계; (f) 상기 (e) 단계에서 맵핑된 결과를 대상으로 클러스터링을 수행하는 단계; 및 (g) 상기 (f) 단계에서 구성된 클러스터를 데이터베이스에 저장하는 단계를 포함한다.

또한, 본 발명에 다른 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법에 있어서, 상기 유사도 측정 함수는, 임의의 두 개의 궤적을 각각 T_i, T_j라고 할때, 다음식 DSL(T_i, T_j)

로 주어지는 것을 특징으로 하는 것이다.

또한, 본 발명에 다른 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법에 있어서, (i) 클러스터의 정보가 요약되어 있는지를 판단하는 단계; (j) 상기 (i) 단계에서 클러스터의 정보가 요약되어 있지 않은 것으로 판단되는 경우에는 빈도수 계산식에 의하여 클러스터 정보를 요약하는 단계; 및 (k) 클러스터 요약정보를 데이터베이스에 저장하는 단계를 더 포함하는 것을 특징으로 하는 것이다.

또한, 본 발명에 다른 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법에 있어서, 상기 클러스터 요약정보는 각 클러스터에 대하여 세그먼트 요약정보로서 해당 클러스터 내에 포함되는 각 궤적의 세그먼트 리스트, 각 클러스터 내에서 해당 세그먼트 리스트의 발생빈도를 나타내는 세그먼트의 가중치를 포함하는 것을 특징으로 하는 것이다.

또한, 본 발명에 다른 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법에 있어서, 상기 빈도수 계산식은

로 주어지는 것을 특징으로 하는 것이다.

또한, 본 발명에 다른 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법에 있어서, (m-1) 질의궤적을 데이터베이스에 도입하는 단계; (m-2) 상기 질의궤적을 구성하는 세그먼트를 추출하는 단계; (m-3) 상기 질의궤적의 세그먼트와 데이터베이스에 저장된 궤적 클러스터 요약정보의 세그먼트가 일치하는 것이 있는지를 판단하는 단계; (m-4) 상기 (m-3) 단계에서 상기 일치하는 클러스터가 있는 경우 상기 일치하는 클러스터의 세그먼트 가중치의 합을 구하는 단계; (m-5) 상기 가중치의 합이 가장 큰 클러스터를 검색하는 단계; 및 (m-6) 상기 검색된 클러스터를 질의 궤적이 속하는 클러스터로 결정하는 단계를 포함하는 것을 특징으로 하는 것이다.

또한, 본 발명에 다른 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법에 있어서, 상기 질의궤적과 유사한 것으로 검색된 클러스터와 상기 클러스터에 연관된 사용자 정보와 도로 정보를 사용자에게 제시하는 단계를 더 포함하는 것을 특징으로 하는 것이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.

도1에서 도시된 바와 같이, 본 발명에서는 이동 객체의 궤적을 Ti = {(S₁,L₁), ... , (S_n,L_n)}으로 표현한다. 여기서, T_i은 궤적의 식별자이고, S_j는 세그먼트의 식별자, L_j는 세그먼트의 길이를 나타낸다.

또한, 궤적 정보와 함께 사용자 정보, 도로 정보 등을 부가 정보로 함께 저장, 관리한다.

본 발명이 제안하는 기법에서 궤적은 문자열로 표현되는 세그먼트 식별자들의 리스트로 구성된다.

도2에서 참조하면, 먼저 도로 네트워크 공간 상에서 이동 객체의 새로운 궤적을 세그먼트 식별자와 세그먼트의 길이를 포함하는 궤적 데이터로서 데이터베이스에 저장하게 된다(S21).

다음으로, 상기 저장된 특정 궤적과 데이터베이스에 이미 저장된 궤적에 대하여 이미 유사도 측정함수에 의한 계산된 측정값이 있는지를 판단한다(S22).

상기 저장된 특정 궤적에 대하여 유사도 측정 함수에 의해 계산된 값이 없는 경우에는 상기 유사도 측정 함수에 의해 유사도 측정 함수값을 계산한다(S23).

상기 S23 단계에서 측정된 함수값을 데이터베이스에서 상기 특정 궤적과 데이터베이스에 저장된 궤적간에 대한 유사도값으로서 데이터베이스에 저장한다(S24).

상기 저장된 특정 궤적에 대하여 유사도 측정 함수에 의해 계산된 값이 없는 경우에는 상기 저장된 특정 궤적이 데이터베이스에서 이미 저장된 어느 하나의 궤적과 동일한 경우에 해당하고 상기 특정 궤적에 대하여 유사도 측정 함수값이 이미 계산된 경우이므로 이미 계산된 유사도 측정값을 저장한다(S25).

일반적으로 주어진 두 궤적간의 유사도 측정을 위하여 문자열간의 거리 함수로 많이 사용되는 ED(edit distance) 함수를 이용할 수 있다.

그러나 비교되는 두 궤적의 세그먼트 개수가 서로 다른 경우 유사도는 세그먼트 개수가 많은 궤적에 의하여 영향을 받는다.

본 발명에서는 궤적 T _i 와 T _j 간의 식(1)의 유사도 측정 함수 DSN(disimilarity with number)을 제안한다.

(1)

예를 들어, 도1의 궤적들에 대하여 DSN 함수에 의한 유사도 값을 구하면 다음과 같다.

DSN(T1,T2)=0.56,	DSN(T1,T3)=0.4,
DSN(T1,T4)=0.56,	DSN(T2,T3)=0.64,
DSN(T2,T4)=0.6,	DSN(T3,T4)=0.64

T1과 비교되는 T2, T3, T4에 대한 ED 함수에 의한 유사도는 모두 동일한 3이라는 값이 나온다.

반면, 제안된 DSN 함수에 의한 값은 위에 제시된 바와 같이 T1에 대해 T3이 가장 유사한 값을 보인다.

실제 T1과 T3의 공통된 세그먼트가 더 많기 때문에 ED의 값보다 DSN의 값이 더 신뢰성이 있다. 이는 DSN 함수는 두 궤적의 세그먼트 개수의 합을 이용하여 두 궤적의 거리를 계산하기 때문이다.

즉, 유사도 계산 시 ED 함수에서와 같이 두 궤적 중에서 세그먼트의 개수가 많은 임의의 한 궤적에 의한 영향을 감소시킬 수 있다.

그런데, 세그먼트 식별자의 매치 여부와 개수만을 가지고 유사도를 측정하므로 두 궤적의 실제 거리상의 근접 정도를 알 수 없다.

예를 들어, DSN 함수에 의하여 궤적 T1과 T2의 유사도와 궤적 T1과 T4의 유사도가 같은 값을 갖는다. 이는 T1과 T2의 비공통 세그먼트 개수와 T1과 T4의 비공통 세그먼트의 개수가 동일하기 때문이다.

그러나 도 1에 보인바와 같이 T4의 궤적보다 T2의 궤적이 T1에 더 근접해 있으므로, T1과 T2가 더 유사하다고 할 수 있다.

동일한 도로라 하더라도 세그먼트를 나누는 기준에 따라 궤적에 포함된 세그먼트의 개수가 달라질 수 있다. 제안된 DSN 함수는 세그먼트의 개수에 영향을 받기 때문에 하나의 세그먼트가 다수의 세그먼트로 분할되어 표현될 경우, 유사도 값이 전혀 다른 값을 갖게 된다.

예를 들어, 도 1에서 두 궤적 T1과 T2의 DSN(T1,T2)=0.56 이다. 만약, 궤적 T2의 세그먼트 s6을 3개의 세그먼트로 분할했다면 DSN(T1,T2)=0.64가 된다.

따라서, 두 궤적의 유사도를 세그먼트의 개수만을 이용하여 판단할 수 없다. 본 발명에서는 이러한 문제점을 해결하기 위하여 세그먼트의 길이를 이용한 식 (2) 의 유사도 측정 함수 DSL(dissimilarity with length)를 제안한다.

(2)

도1의 궤적에 대하여 DSL 함수에 의한 유사도 값을 구하면 다음과 같다.

DSL(T1,T2)=0.56,	DSL(T1,T3)=0.4,
DSL(T1,T4)=0.65,	DSL(T2,T3)=0.59,
DSL(T2,T4)=0.68,	DSL(T3,T4)=0.7

DSN 함수에 의한 DSN(T1,T2)과 DSN(T1,T4)의 유사도 값이 동일한 반면에, DSL 함수에 의한 DSL(T1,T2)과 DSL(T1,T4)의 유사도 값은 다름을 알 수 있다. 즉, DSL 함수에 의하여 궤적 T2가 궤적 T4보다 궤적 T1과 더 유사함을 파악할 수 있다. 제안된 DSL 함수는 두 궤적 간에 공통 세그먼트의 개수가 많고 세그먼트의 길이의 차가 적은 궤적들을 보다 유사하다고 판단한다.

또한, 제안된 방식은 세그먼트를 나누는 기준에 따른 세그먼트 개수의 변화에 영향을 받지 않는다. 예를 들면, 궤적 T1, T2의 유사도 측정 시 s6의 세그먼트를 3개로 분할할 경우에 분할된 세 개의 세그먼트의 길이를 합한 전체의 길이는 4로 분할 전과 길이면에서는 변함이 없다. 따라서 분할 전과 분할 후의 DSL(T1,T2)의 값은 0.56으로 동일하다.

본 발명에서 제안한 유사도 측정 함수를 이용하여 이동 객체의 유사 궤적을 클러스터링할 수 있게 된다.

또한, 유사 궤적을 클러스터링하여 보다 유용한 정보를 사용자에게 제공할 수 있다.

궤적 클러스터링이란 궤적간의 유사도를 이용하여 그룹화하는 것을 말하며, 일반적인 클러스터링 방법에서는 클러스터의 무게 중심이라 할 수 있는 중심점의 반복적인 변경에 의해 클러스터를 구성한다.

도3을 참조하면, 먼저 도로 네트워크 공간 상에서 이동 객체의 새로운 궤적 데이터를 데이터베이스에 저장한다(S31).

상기 데이터베이스에 저장된 상기 궤적 데이터에 대한 매칭되는 유사도 측정 함수값이 데이터베이스에서 있는 지를 판단한다(S32).

다음, 상기 S32 단계에서 유사도 측정 함수값과 매칭되지 않는 경우 상기 새로운 궤적 데이터에 대하여 유사도 측정 함수에 의하여 유사도를 측정하여 데이터베이스에 저장한다(S33).

상기 데이터베이스에 저장된 유사도 측정 함수값 중에서 가장 큰 값을 가지는 임의의 두 궤적을 검색한다(S34).

상기 S34 단계에서 검색된 두 궤적을 기준으로 궤적들을 k차원으로 맵핑한다(S35)

다음으로, 상기 S35 단계에서 맵핑된 결과를 대상으로 클러스터링을 수행하게 된다(S36).

또한, 상기 S36 단계에서 구성된 클러스터를 데이터베이스에 저장한다(S37).

궤적간의 상대적인 거리로 클러스터를 구성한다면 중심점이라는 기준이 모호 해 진다. 이러한 문제점을 해결하기 위하여 본 발명에서는 FastMap을 이용하여 각 궤적을 k차원 공간 상의 한 점으로 표현한 후, 전체 궤적들과 대응되는 이 점들에 대하여 클러스터링을 수행한다.

이때, 서로 다른 길이를 갖는 궤적들을 하나의 차원으로 매핑시키기 위하여 본 발명에서는 제안된 유사도 측정 함수 DSL에 의해 측정된 두 궤적간의 유사도 값을 이용한다. 여기서, 측정된 DSL의 값은 두 궤적간의 거리를 의미한다.

FastMap은 n개의 객체들과 객체간 거리 함수가 주어졌을 때, 이 객체들을 k차원 상의 점으로 매핑하는 기법이다.

FastMap을 이용하면, 측정된 두 궤적간의 거리를 이용하여 궤적을 쉽게 k차원 공간 상의 점으로 매핑할 수 있다.

FastMap을 이용하여 궤적을 k차원의 점으로 변환 방법은 다음과 같다.

첫째, DSL의 값 중 가장 큰 값을 갖는 두 궤적을 찾는다. 이 두 궤적을 T _maxa , T _maxb 라 한다.

둘째, 궤적들은 다음 식에 의해 T _maxa , T _maxb 를 기준으로 하는 T' _i

점으로 매핑한다.

셋째, 상기 두 번째 과정에 의해 매핑 된 T' _i 점들의 새로운 거리차를 아래 식에 의해 재계산 한다.

마지막으로, 상기 과정을 반복하며 매핑시킬 차원을 확장한다.

FastMap을 이용하여 궤적을 k차원의 한 점으로 변환한 후, 본 발명에서는 k-medoids 방식을 이용하여 변환된 k차원 점들을 대상으로 클러스터링을 수행한다. k-medoids 방식은 각 클러스터에서 대표 객체(medoids)를 임의로 찾음으로써 n개의 객체 중에서 k개의 군집을 찾는 것이다.

클러스터의 대표 객체란 그 군집에 속하는 객체 중 다른 객체들과의 평균(또는 전체) 거리가 최소가 되는 객체를 말한다. k-medoids 클러스터링 방법은 객체들을 주어진 수의 클러스터로 구분하는데, 클러스터 내의 각 객체와 대표 객체와의 거리의 총합을 최소로 하는 방법이다. 이 방법은 k-means방식에 비하여 잡음에 덜 민감하다는 장점을 갖는다.

도4는 FastMap을 이용하여 도1의 궤적을 2차원의 점으로 매핑한 후, 이를 k-medoids 방식에 의하여 3개의 클러스터로 만드는 예를 보인 것이다.

클러스터링 된 결과를 보면, 유사도가 가장 높은 T1과 T3가 같은 클러스터로 그룹화되어 있는 것을 확인할 수 있다.

도5를 참조하면, 구성된 클러스터가 있을 때 우선 상기 클러스터의 정보가 요약되어 있는지를 판단하게 된다(S51).

상기 S51 단계에서 클러스터의 정보가 요약되어 있지 않은 것으로 판단되는 경우에는 빈도수 계산식에 의하여 클러스터 정보를 요약하게 된다(S52).

다음으로 상기 클러스트 요약정보를 데이터베이스에 저장하게 된다(S53).

S51단계에서, 이미 클러스터 정보가 요약되어 있는 경우에는 이를 클러스터 정보로 데이터베이스에 저장한다(S54).

본 발명에서는 클러스터링 과정을 통하여 얻어진 클러스터에 대한 정보를 각 클러스터 C에 대하여 세그먼트 요약 정보 S={<(SegList ₁ ), Weight ₁ >, ..., <(SegList _n ), Weight _n >}와 사용자 요약 정보 U={User ₁ , .. , User _m }을 구성하여 함께 저장 관리한다.

여기서, SegList _j 는 해당 클러스터 내에 포함되는 각 궤적의 세그먼트 리스트를 의미하며, Weight _j 는 클러스터 내에서 해당 세그먼트 리스트의 발생 빈도를 의미하며 식 (3)에 의하여 얻어진다.

(3)

예를 들어, 도1의 각 궤적에 대하여 클러스터링 과정을 수행하여 얻어진 C1={T1, T3}이고 각 궤적 사용자가 각각 user1, user2라면, 세그먼트 요약 정보 S={<(s1,s3,s4), 1>, <(s2,s8,s9,s10), 0.5>}, 사용자 요약 정보 U={user1, user2} 이다.

위의 유사도 함수를 이용한 클러스터링의 각각의 수행 과정은 도3, 도5의 과정과 같이 수행된다.

상술한 바와 같이 구성된 클러스터의 세그먼트 요약 정보와 사용자 요약 정보를 이용한 효율적인 질의 처리 기법을 제안한다.

도6을 참조하면, 도로 네트워크 공간상에서 이동객체에 대한 사용자의 질의궤적이 데이터베이스로 들어온다(S61).

다음, 상기 데이터베이스에 도입된 상기 질의궤적을 구성하는 세그먼트를 추출한다(S62).

상기 추출된 질의궤적의 세그먼트와 데이터베이스에 저장된 궤적 클러스터 요약정보의 세그먼트가 일치하는 것이 있는지를 판단하게 된다(S63).

이때, 상기 S63 단계에서 상기 일치하는 클러스터가 있는 경우 상기 일치하는 클러스터의 세그먼트 가중치의 합을 구한다(S64).

다음으로, 상기 가중치의 합이 가장 큰 클러스터를 검색하고, 상기 검색된 클러스터를 질의 궤적이 속하는 클러스터로 결정하게 된다(S65, S66).

상기 S63 단계에서 상기 일치하는 클러스터가 없는 경우에는 질의 궤적은 데이터베이스에 저장된 클러스터와는 매칭되지 않으므로 질의 궤적이 속하는 클러스터는 없음을 결정하게 된다(S67).

예를 들어, 도1로부터 구성된 클러스터의 세그먼트 요약 정보에 대하여 질의 궤적 Q={s1, s2, s10, s9, s8, s5}가 데이터베이스에 주어지면 Q를 구성하는 각 세그먼트에 대하여 클러스터의 세그먼트 요약 정보를 검색한다.

각 세그먼트와 비교된 각 클러스터의 세그먼트 요약 정보내의 해당 세그먼트의 가중치 값들의 합을 구하고, 그 중 가장 높은 가중치 값을 갖는 클러스터를 검색한다.

상기 예에서 Q내의 세그먼트 s1, s2, s10, s9, s8는 클러스터 C1에 존재하므로 이때의 s1, s2, s10, s9, s8의 가중치를 모두 합하면 1+0.5+0.5+0.5+0.5=3이 된다. 다음 Q내의 세그먼트 s1, s5는 클러스터 C2에 존재하므로 가중치의 합은 1+1=2이고, 세그먼트 s1는 클러스터 C3에 존재하므로 가중치의 합은 1이다. 질의 궤적 Q와 매핑되는 클러스터는 가중치 값이 가장 큰 클러스터 C1이 된다.

따라서 주어진 질의 궤적에 대하여 클러스터를 재구성하는 추가적인 오버헤드 없이 질의 궤적과 매치되는 클러스터를 검색할 수 있다.

이러한 질의 처리는 상술한 도6의 과정과 같이 수행된 다음, 검색된 클러스터와 연관된 사용자 정보와 도로 정보 등을 사용자에게 함께 제시한다.

예를 들어, 클러스터 C1에는 서울 지역에서 유사한 궤적으로 움직인 사용자 A, B, C가 존재하고, 클러스터 C2에는 부산 지역에서 유사 궤적으로 움직인 사용자 A, B가 존재한다고 가정한다면, 우리는 사용자 C가 부산 지역을 방문할 경우 클러스터 C1에 속한 사용자 A와 B가 부산 지역에서 이동한 경로를 사용자 C에게 추천할 수 있다.

본 발명에 따른 도로 네트워크에서의 유사 궤적 클러스터링 방법에 의하면 도로 네트워크 공간을 고려한 유사도 측정 방식을 적용함으로써 도로 네트워크 내의 이동 객체들을 대상으로 하는 효과적인 유사 궤적 검색 및 클러스터링을 수행할 수 있게 된다.

또한, 구성된 클러스터에 대한 세그먼트 요약정보를 활용하여 사용자의 질의 궤적과 매칭되는 클러스터를 효율적으로 검색할 수 있다.

이상에서 본 발명은 기재된 구체적인 실시예에 대해서만 상세히 설명되었지만 본 발명의 기술사상 범위 내에서 다양한 변형 및 수정이 가능함은 당업자에게 있어서 명백한 것이며, 이러한 변형 및 수정이 첨부된 특허청구범위에 속함은 당연한 것이다.

Claims

(a) 도로 네트워크 공간 상에서 이동 객체의 궤적을 세그먼트 식별자와 세그먼트의 길이를 포함하는 궤적 데이터로서 데이터베이스에 저장하는 단계;

(b) 상기 저장된 특정 궤적과 데이터베이스에 이미 저장된 궤적에 대하여 유사도 측정함수에 의한 계산된 측정값이 있는지를 판단하는 단계;

(c) 상기 저장된 특정 궤적에 대하여 유사도 측정 함수에 의해 계산된 값이 없는 경우에는 상기 유사도 측정함수에 의해 유사도 측정 함수값을 계산하는 단계;

(d) 상기 (c) 단계에서 측정된 함수값을 데이터베이스에서 상기 특정 궤적과 데이터베이스에 저장된 궤적간에 대한 유사도값으로서 데이터베이스에 저장하는 단계; 및

(e) 상기 (b) 단계에서 저장된 특정 궤적에 대하여 유사도 측정 함수에 의해 계산된 값이 없는 경우에는 상기 특정 궤적에 대하여 유사도 측정 함수값이 이미 계산된 유사도 측정값을 저장하는 단계를 포함하는 것을 특징으로 하는 도로 네트워크 공간에서 이동 객체 궤적의 유사도 측정 방법.
제 1 항에 있어서,

상기 유사도 측정 함수는 임의의 두 개의 궤적을 각각 T_i, T_j라고 할때, 다음식 DSN(T_i, T_j)

로 주어지는 것을 특징으로 하는 도로 네트워크 공간에서 이동 객체 궤적의 유사도 측정 방법.
제 1 항에 있어서,

상기 유사도 측정 함수는 임의의 두 개의 궤적을 각각 T_i, T_j라고 할때, 다음식 DSL(T_i, T_j)

로 주어지는 것을 특징으로 하는 도로 네트워크 공간에서 이동 객체 궤적의 유사도 측정 방법.
(a) 도로 네트워크 공간 상에서 이동 객체의 궤적 데이터를 데이터베이스에 저장하는 단계;

(b) 상기 데이터베이스에 저장된 상기 궤적 데이터에 대하여 매칭되는 유사도 측정 함수값이 있는지를 판단하는 단계;

(c) 상기 (b) 단계에서 유사도 측정 함수값과 매칭되지 않는 경우 유사도 측정 함수에 의하여 유사도를 측정하여 저장하는 단계;

(d) 상기 유사도 측정 함수값이 가장 큰 값을 가지는 임의의 두 궤적을 검색 하는 단계;

(e) 상기 (d) 단계에서 검색된 두 궤적을 기준으로 궤적들을 k차원으로 맵핑하는 단계;

(f) 상기 (e) 단계에서 맵핑된 결과를 대상으로 클러스터링을 수행하는 단계; 및

(g) 상기 (f) 단계에서 구성된 클러스터를 데이터베이스에 저장하는 단계를 포함하는 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법.
제 4 항에 있어서,

상기 유사도 측정 함수는,

임의의 두 개의 궤적을 각각 T_i, T_j라고 할때, 다음식 DSL(T_i, T_j)

로 주어지는 것을 특징으로 하는 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법.
제 4 항에 있어서,

(i) 클러스터의 정보가 요약되어 있는지를 판단하는 단계;

(j) 상기 (i) 단계에서 클러스터의 정보가 요약되어 있지 않은 것으로 판단되는 경우에는 빈도수 계산식에 의하여 클러스터 정보를 요약하는 단계; 및

(k) 클러스트 요약정보를 데이터베이스에 저장하는 단계를 더 포함하는 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법.
제 6 항에 있어서,

상기 클러스터 요약정보는 각 클러스터에 대하여 세그먼트 요약정보로서 해당 클러스터 내에 포함되는 각 궤적의 세그먼트 리스트, 각 클러스터 내에서 해당 세그먼트 리스트의 발생빈도를 나타내는 세그먼트의 가중치를 포함하는 것을 특징으로 하는 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법.
제 6 항에 있어서,

상기 빈도수 계산식은

로 주어지는 것을 특징으로 하는 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법.
제 6 항에 있어서,

(m-1) 질의궤적을 데이터베이스로 들어오는 단계;

(m-2) 상기 질의궤적을 구성하는 세그먼트를 추출하는 단계;

(m-3) 상기 질의궤적의 세그먼트와 데이터베이스에 저장된 궤적 클러스터 요 약정보의 세그먼트가 일치하는 것이 있는지를 판단하는 단계;

(m-4) 상기 (m-3) 단계에서 상기 일치하는 클러스터가 있는 경우 상기 일치하는 클러스터의 세그먼트 가중치의 합을 구하는 단계;

(m-5) 상기 가중치의 합이 가장 큰 클러스터를 검색하는 단계; 및

(m-6) 상기 검색된 클러스터를 질의 궤적이 속하는 클러스터로 결정하는 단계를 더 포함하는 것을 특징으로 하는 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법.
제 9 항에 있어서,

상기 질의궤적과 유사한 것으로 검색된 클러스터와 상기 클러스터에 연관된 사용자 정보와 도로 정보를 사용자에게 제시하는 단계를 더 포함하는 것을 특징으로 하는 도로 네트워크 공간에서 이동 객체의 유사 궤적 클러스터링 방법.