다중개월 궤적 이상 탐지를 위한 하이퍼스펙트럼 궤적 이미지

초록

본 논문은 밀집 GPS와 희소 체류점 데이터를 동일한 2차원 이미지 형태인 하이퍼스펙트럼 궤적 이미지(HTI)로 변환하고, 사이클릭 팩터라이즈드 트랜스포머(CFT)를 적용해 다중개월 규모의 궤적 이상 탐지를 실시간에 가깝게 수행한다. CFT는 일별·시간별 두 축을 별도로 어텐션 처리함으로써 인간 이동의 주기성을 모델링하고, 기존 트랜스포머 대비 메모리·연산 비용을 크게 절감한다. 실험 결과, TITAnD는 밀집·희소 벤치마크 모두에서 AUC‑PR 최고치를 기록했으며, UNet 등 비전 모델보다 11‑75배 빠른 속도를 보였다.

상세 분석

본 연구는 궤적 이상 탐지 문제를 “시각 인식” 문제로 재구성한다는 근본적인 아이디어에서 출발한다. 인간의 이동은 하루 안에서의 일과와 일주일·한 달에 걸친 루틴이라는 두 차원의 주기성을 갖는데, 이를 일(day) × 시간(time‑of‑day) 격자로 표현하면 자연스럽게 2차원 이미지가 된다. 저자는 이 격자를 “하이퍼스펙트럼 궤적 이미지(HTI)”라 명명하고, 각 픽셀에 공간‑의미, 시간, 운동학적 특성을 다채널(채널 수 C=256)로 인코딩한다. 밀집 GPS 스트림은 5분 슬롯당 30개의 포인트를 샘플링해 셀 임베딩, POI 어텐션, 속도·가속도 통계 등으로 특징을 추출하고, 희소 체류점은 정류·여정 이벤트를 교차 삽입해 동일한 격자에 매핑한다. 이렇게 통합된 HTI는 입력 모달리티에 관계없이 동일한 형태를 유지한다.

핵심 모델인 사이클릭 팩터라이즈드 트랜스포머(CFT)는 두 축을 독립적으로 어텐션 처리한다. 먼저 일(day) 축에 대해 전역 어텐션을 수행하고, 시간(time‑of‑day) 축에 대해서는 로컬 어텐션을 적용한다. 이 구조는 인간의 일일·주기적 패턴을 인덕티브 바이어스로 반영하면서, 전통적인 전역 어텐션이 갖는 O(N²) 복잡도를 O(D·S·(D+S)) 수준으로 낮춘다(여기서 D는 일 수, S는 하루 슬롯 수). 또한 RoPE(Position‑Encoding)와 캘린더 임베딩을 결합해 계절·주말·시간대 정보를 명시적으로 제공한다. 모델은 이미지 분류 헤드로 전체 궤적의 이상 여부를 판단하고, 픽셀‑단위 시맨틱 세그멘테이션 헤드로 이상 발생 시점을 로컬라이즈한다. 손실 함수는 이진 교차 엔트로피를 슬롯‑레벨 라벨과 결합해 공동 학습한다.

실험에서는 66일(≈2개월) 동안 수집된 실제 이동 데이터와 공개 시뮬레이션 데이터셋을 사용해 밀집·희소 두 종류의 벤치마크를 구축하였다. 비교 대상으로는 기존 트랜스포머 기반 시퀀스 모델, LSTM, Graph‑based 방법, 그리고 UNet 기반 비전 모델을 포함한다. 결과는 TITAnD가 AUC‑PR에서 모든 베이스라인을 앞섰으며, 특히 밀집 GPS에서 0.92 이상의 AUC‑PR을 달성했다. 메모리 사용량은 기존 트랜스포머 대비 10배 이상 절감됐고, 추론 시간은 0.05초 수준으로 실시간 적용이 가능했다. Ablation study는 (1) HTI 자체만으로는 성능 향상이 제한적이며, (2) 사이클릭 팩터라이즈드 어텐션이 없으면 비용이 급증하고 정확도가 떨어진다는 점을 확인한다.

이 논문은 (①) 데이터 모달리티 통합을 위한 구조적 이미지 변환, (②) 인간 이동의 주기성을 반영한 효율적 트랜스포머 설계, (③) 대규모 멀티‑월 궤적 분석을 가능하게 하는 실용적 시스템이라는 세 축에서 의미 있는 기여를 한다. 향후 연구는 HTI에 추가적인 센서(예: Wi‑Fi, BLE) 데이터를 결합하거나, 비지도 학습 기반의 이상 탐지와 결합해 라벨이 부족한 상황에서도 성능을 유지하는 방안을 모색할 수 있다.