6차시 Mobility Big Data Analysis

모빌리티 빅데이터 분석

Trajectory, smart card data, in-store sensor, spatial stream processing, anomaly detection을 중심으로 모빌리티 빅데이터 분석 흐름을 정리합니다.

06. Mobility Big Data Analysis

3줄 요약

Instructor

KAIST 전산학부 이재길 교수 Jae-Gil Lee Professor School of Computing, KAIST

Core Flow

Mobility Big Data -> Trajectory Data Sources -> Smart Card Data -> Location Inference -> Mobility Regularity -> In-store Trajectory -> Dwell Time / Zone Ratio -> Revisit Prediction -> Spatial Stream Processing -> Complex Event Processing -> Digital Tachograph -> Tactical Trajectory -> Feature Engineering -> Latent Space -> Anomaly Detection -> Digital Twin / Data Governance

Visual Notes

수업 자료의 사례를 원본 슬라이드 그대로 옮기지 않고, 복습용 데이터 흐름과 모델링 흐름으로 다시 정리한다.

Notes

Mobility Big Data는 이동 주체의 위치가 시간 순서대로 기록된 데이터다. 실외에서는 스마트폰, 스마트카드, 카메라, 내비게이션, SNS가 원천이 될 수 있고, 실내에서는 WiFi나 Beacon 기반 센서가 동선 데이터를 만든다.

Smart Card Data 사례에서는 승하차 기록을 시간대별 위치 리스트로 바꾸고, 관측되지 않은 시간대의 위치를 주변 승하차 기록으로 추정한다. 같은 시간대에 같은 장소를 반복 방문하는 정도는 Mobility Regularity로 볼 수 있다.

In-store Trajectory 사례에서는 매장 안 구역별 Dwell Time, Zone Ratio, 방문 시간, 매장 외부 감지 빈도, 유사 동선 여부를 feature로 사용해 Revisit Prediction을 수행한다.

Spatial Stream Processing 사례에서는 위치와 속도가 계속 들어오는 stream에서 규칙에 맞는 이벤트를 감지한다. Complex Event Processing은 실시간 위치 stream과 polygon 같은 공간 조건을 결합해 호출 빈번 지역이나 이상 상황을 찾는 데 활용될 수 있다.

Tactical Trajectory 사례에서는 항적, 지형, 기상 정보를 함께 보고 위험 여부를 판단한다. 모델이 학습한 정상 이동 패턴에서 벗어나는 입력은 Latent Space에서 낮은 확률을 갖는 Anomaly로 볼 수 있다.

현재 활용 관점

모빌리티 데이터는 교통, 리테일, 국방·안보, 디지털 트윈에서 활용도가 높다. 다만 이동경로는 개인의 생활 패턴을 강하게 드러내므로 익명화, 보존 기간, 접근 권한, 목적 제한 같은 Data Governance를 함께 설계해야 한다.

사전 학습 체크포인트

개념먼저 알고 있으면 좋은 이유
Time Series위치가 시간 순서로 쌓이므로 시간 축 해석이 필요하다
Feature Engineering원천 위치 로그를 모델 입력으로 바꾸는 과정이 성능을 좌우한다
Classification재방문 여부나 위험 여부를 class로 예측한다
Anomaly Detection정상 이동 패턴에서 벗어난 데이터를 위험 신호로 본다
Data Governance위치 데이터는 프라이버시와 운영 책임을 함께 고려해야 한다

Reflection