시공간 데이터 기반 희소 사건 발생 예측을 위한 딥러닝 모델 = A Deep Learning Model for Forecasting Sparse Events in Spatiotemporal Data

국문 초록 (Abstract)

범죄, 교통사고, 화재 등과 같은 시공간 사건 데이터는 모델링 시 특정 시간과 공간에서 발생한 사건의 발생 건수를 집계한 시공간 가산(count) 데이터로 표현된다. 이러한 데이터는 대부분의 시공간 단위에서 사건이 발생하지 않는 희소 사건(sparse event) 구조를 가지며, 이로 인하여 관측값 중 대부분이 0으로 구성되는 영과잉(zero-inflation) 현상, 분산이 평균보다 크게 나타나는 과대산포(over-dispersion)가 동시에 관측되는 경우가 많다. 그러나 기존의 점추정 기반 단일 예측 모델은 사건 발생 여부의 불확실성과 시공간적으로 변동하는 발생 규모를 충분히 설명하는 데 한계가 있다.
이에 본 연구는 시공간 사건 예측을 단순 건수 예측이 아닌 사건의 확률적 생성 과정에 대한 추정 문제로 정의하였다. 사건이 구조적으로 발생하지 않는 상태와 발생 시의 규모를 확률분포로 제시할 수 있는 영과잉 음이항(Zero-Inflated Negative Binomial, ZINB) 분포를 딥러닝 기반 시공간 모델에 결합한, 사건의 발생을 확률분포 관점에서 접근하는 딥러닝 기반 예측 모델인 Spatiotemporal Event Prediction Model based on Zero-Inflated Negative Binomial(STEP-ZINB)를 제안한다. STEP-ZINB는 희소 사건에 관한 시공간 가산 데이터의 특성을 반영하면서도 도메인 독립적으로 사용될 수 있도록 설계되었다.
STEP-ZINB는 입력, 공간적 의존 표현 학습, 시간적 전이 표현 학습, 확률적 사건 분포 예측의 네 단계로 구성된다. 첫째, 입력 단계에서는 사건 발생 데이터를 모델 입력이 가능한 형태로 변환한다. 둘째, 공간적 의존성 표현 학습 단계에서는 유사한 특성을 가진 지역을 그래프 구조로 표현하고, 그래프 신경망 기반 공간 인코더를 통해 지역 간 공간적 의존성을 학습한다. 셋째, 시간적 전이 표현 학습 단계에서는 시계열 신경망을 통해 과거 패턴이 미래에 미치는 영향을 모델링한다. 마지막으로 확률적 사건 분포 예측 단계에서는 영과잉과 과대산포 특성을 반영하기 위한 ZINB 분포 기반 예측 모듈을 적용하여 사건 발생 가능성과 발생 시 규모에 대한 확률분포를 추정한다. 이때 분포 파라미터는 공간 및 시간 인코더를 통해 학습된 시공간 표현으로부터 직접 추정되며, 이를 통해 STEP-ZINB는 사건 발생의 불확실성과 규모의 변동성을 동시에 반영하게 된다.
범죄, 교통사고, 화재 등 각기 다른 도메인의 시공간 가산 데이터를 적용하여 실험한 결과, STEP-ZINB는 사건 발생 가능성과 규모에 대한 확률적 예측에 일관적인 성능을 보였다. 따라서 본 연구는 제안 모델이 영과잉 및 과대산포 특성을 지닌 시공간 데이터 분석에서 도메인 관계 없이 효과적인 예측 도구로 활용될 수 있음을 입증하였다.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 2
• 제2장 관련연구 4
• 2.1 점추정 기반 시공간 예측 모델 4
• 2.2 분포 기반 시공간 예측 모델 5
• 2.3 영과잉을 고려한 분포 기반 시공간 예측 모델 6
• 제3장 제안 모델 8
• 3.1 문제 정의 8
• 3.2 STEP-ZINB 개요 9
• 3.3 입력 데이터 구성 10
• 3.4 공간적 의존성 표현 학습 10
• 3.4.1. 인접행렬 구성 10
• 3.4.2. 공간인코더 11
• 3.5 시간적 전이 표현 학습 12
• 3.5.1. 시간 임베딩 12
• 3.5.2. 시간 인코더 13
• 3.6 확률적 사건 분포 예측 14
• 3.6.1. ZINB 파라미터 14
• 3.6.2. ZINB-NLL 손실함수 15
• 제4장 실험 및 성능 평가 17
• 4.1. 실험 데이터 및 실험 환경 17
• 4.1.1. 실험 데이터 및 전처리 17
• 4.1.2. 실험환경 19
• 4.2. 결과 및 평가 19
• 4.2.1. 평가지표 19
• 4.2.2. 범죄 도메인 데이터 적용 실험 21
• 4.2.3. 교통사고 도메인 데이터 적용 실험 24
• 4.2.4. 화재 사건 도메인 데이터 적용 실험 26
• 제5장 결론 29
• 참고문헌 31
• 외국어초록 34
• 감사의 글 36
• 학위논문 공개 동의서 37
• <그림 3-1> STEP-ZINB 구조 9
• <그림 4-1> 실험 데이터 특징 18
• <그림 4-2> 뉴욕 범죄(robbery) 발생 예측 분포 지도 23
• <그림 4-3> 로스엔젤레스 교통사고(car collision) 발생 예측 분포 지도 25
• <그림 4-4> 샌프란시스코 시설물 화재(structure fire) 발생 예측 분포 지도 · 28
• <표 4-1> 실험 데이터 구성 17
• <표 4-2> 평가지표 정의 및 기준 20
• <표 4-3> 범죄 도메인 기준모델 실험(baseline study) 21
• <표 4-4> 범죄 도메인 어블레이션 실험(ablation study) 22
• <표 4-5> 교통사고 도메인 기준모델 실험(baseline study) 24
• <표 4-6> 교통사고 도메인 어블레이션 실험(ablation study) 24
• <표 4-7> 화재 사건 도메인 기준모델 실험(baseline study) 26
• <표 4-8> 화재 사건 도메인 어블레이션 실험(ablation study) 27