마코프식 리브 그래프를 활용한 생활패턴 시뮬레이션

초록

본 논문은 리브 그래프를 확률 전이 모델과 결합해 마코프식 구조로 변환함으로써, 개인 및 집단 수준의 생활패턴(패턴 오브 라이프, PoL)을 생성·시뮬레이션하는 프레임워크를 제안한다. 순차 리브 그래프(SRG)와 하이브리드 리브 그래프(HRG) 두 변형을 설계하고, Urban Anomalies와 Geolife 데이터셋에 대해 5가지 이동성 지표로 평가한 결과, HRG가 높은 충실도와 데이터 효율성을 동시에 달성함을 보였다.

상세 요약

본 연구는 기존 리브 그래프가 주로 토폴로지 기반의 정적 분석에 사용되는 한계를 극복하고, 이를 동적 생성 모델로 전환한다는 점에서 혁신적이다. 핵심 아이디어는 리브 그래프의 노드(연결된 레벨 집합)와 엣지(레벨 간 전이)를 마코프 체인의 상태와 전이 확률로 매핑하는 것이다. 이를 위해 저자들은 먼저 원시 GPS 트랙을 시간‑공간 윈도우로 분할하고, 각 윈도우에서 동일한 레벨(예: 건물, 도로, 공원 등) 구간을 추출해 리브 그래프를 구성한다. 이후 각 엣지에 대해 관측된 전이 빈도를 기반으로 확률분포를 추정하고, 필요에 따라 라플라시안 스무딩이나 베이지안 사전 적용을 통해 희소성을 보완한다.

순차 리브 그래프(SRG)는 단일 에이전트의 이동 경로를 그대로 재현하도록 설계되었다. SRG는 에이전트가 특정 레벨에 머무는 평균 체류시간을 지수분포로 모델링하고, 레벨 전이 시점에 마코프 전이 행렬을 샘플링한다. 이 과정에서 시간 의존성을 반영하기 위해 1차 마코프 체인 대신 2차 마코프(최근 두 레벨 이력) 확장을 도입해, 실제 인간 이동이 보이는 ‘반복‑회귀’ 패턴을 재현한다.

하이브리드 리브 그래프(HRG)는 개별 PoL과 전체 인구 PoL을 결합한다. 구체적으로, 전체 인구의 레벨 전이 빈도를 집합적으로 추정한 글로벌 전이 행렬과, 개별 에이전트의 특화된 전이 행렬을 가중 평균한다. 가중치는 에이전트의 행동 다양성 지표(예: 일일 이동 거리, 활동 반경)와 데이터 가용성에 따라 동적으로 조정된다. 이렇게 함으로써 HRG는 소규모 트래킹 데이터만으로도 인구 수준의 통계적 특성을 유지하면서, 개별 에이전트의 고유성을 보존한다.

평가에서는 기존 시뮬레이터(예: SLAW, GeoSim)와 비교해 5가지 이동성 통계(스테이션리티, 레벨 체류시간 분포, 전이 빈도, 일일 이동 거리, 공간 커버리지)를 사용하였다. HRG는 특히 레벨 체류시간과 전이 빈도에서 평균 절대 오차가 5% 이하로 낮아, 실제 데이터와 거의 구분이 어려운 수준을 보였다. 또한 데이터 요구량 측면에서, 10% 수준의 샘플만으로도 충분히 안정적인 전이 행렬을 학습할 수 있어, 데이터 수집 비용을 크게 절감한다는 실용적 장점을 제공한다.

한계점으로는 고차원 레벨 정의가 필요할 경우 전이 행렬 차원의 폭발적 증가와, 비정규적인 이벤트(예: 대규모 행사) 발생 시 전이 확률이 급격히 변하는 상황을 실시간으로 반영하기 어려운 점을 들 수 있다. 향후 연구에서는 동적 그래프 업데이트와 강화학습 기반 전이 정책 학습을 결합해 이러한 문제를 해결하고자 한다.