TSMini: A Simple Yet Highly Effective Trajectory Similarity Learning Model

현대 세계의 방대한 디지털 기록 보관소 속에서, 차량이 움직일 때마다 침묵의 기록이 쓰여지고 있습니다. 자동차, 택시, 배달 트럭에 탑재된 GPS 장치들은 위치 지점들의 연속적인 흐름을 포착하여 도시와 풍경을 가로지르는 인간 이동의 경로를 추적합니다. '궤적(trajectories)'이라 불리는 이 경로들은 단순히 지도 위의 선 그 이상입니다. 이는 사람들이 어떻게 이동하고, 어디에 모이며, 환경을 어떻게 탐색하는지를 보여주는 풍부한 데이터 소스입니다. 과학자와 데이터 분석가들에게 이러한 경로를 이해하는 것은 매우 중요합니다. 그들은 두 경로가 유사한지 파악하여 함께 그룹화하거나, 사고나 도난을 암시할 수 있는 비정상적인 행동을 포 detección하거나, 새로운 여행자에게 가장 관련성 높은 과거의 여정을 찾아주기 위해 이를 알아내야 합니다. 그러나 이러한 경로를 비교하는 작업은 악명 높을 정도로 어렵습니다. 전통적인 방식은 여정을 단순한 점들의 목록으로 취급하고 이를 하나씩 대조하려고 시도합니다. 이 접근법은 계산량이 많고 느리며, 특히 복잡한 도심을 구불구불하게 통과하는 길고 복잡한 경로를 다룰 때 더욱 그렇습니다. 이는 마치 두 권의 소설을 비교하기 위해 모든 단어를 하나하나 읽으며 글자 단위로 대조하는 것과 같습니다. 작동은 하겠지만, 방대한 데이터셋을 처리하기에는 너무 오래 걸립니다.

이를 해결하기 위해 연구자들은 인공지능을 활용하여 컴퓨터 모델이 경로의 유사성을 빠르게 판단하는 법을 학습하도록 했습니다. 핵심 아이디어는 기계가 하나의 경로를 보고 그 본질을 담아내는 압축된 디지털 요약본, 즉 '지문(fingerprint)'을 생성하도록 가르치는 것입니다. 일단 이러한 지문이 생성되면, 두 경로를 비교하는 것은 두 숫자 사이의 거리를 측정하는 것만큼 간단해집니다. 이 방법은 속도는 빨라졌지만, 정확도 측면에서는 어려움을 겪어 왔습니다. 기존 모델들은 여정을 개별적인 점들의 시퀀스로 보거나 혹은 커다란 격자 칸의 연속으로 보기 때문에 전체적인 그림을 놓치는 경우가 많습니다. 전자의 방식은 점들 사이의 흐름과 패턴을 놓치고, 후자의 방식은 세부 사항을 뭉뚱그려 버려 구불구불한 도로와 직선 도로를 구분하기 어렵게 만듭니다. 게다가, 이러한 모델들은 단순히 하나의 유사도 점수만을 예측하도록 훈련되어, 하나의 경로가 다른 여러 경로와 동시에 어떻게 비교되는지에 대한 더 넓은 맥락을 놓치곤 합니다.

멜버른 대학교, 싱가포르 국립대학교, 그리고 알보그 대학교의 연구팀은 이러한 단점들을 해결하기 위해 'TSMini'라고 불리는 새로운 접근 방식을 도입했습니다. 그들의 연구는 컴퓨터가 마치 풍경을 찍을 때 광각 렌즈로 전체를 찍은 다음 특정 세부 사항을 확대하여 전체 이야기를 포착하는 사진작가처럼, 하나의 여정을 동시에 여러 방식으로 바라보도록 가르치는 데 중점을 둡니다. TSMini는 모델이 개별 점이나 큰 블록 중 하나를 선택하도록 강요하는 대신, 궤적을 다양한 길이의 중첩된 세그먼트로 분해합니다. 이 모델은 짧고 즉각적인 움직임을 분석하여 급격한 회전이나 빠른 정지와 같은 국지적 패턴을 포착하는 동시에, 더 긴 구간을 살펴봄으로써 여정의 전반적인 방향과 구조를 이해합니다. 이러한 다층적인 시각 덕분에 모델은 경로의 세밀한 디테일을 유지하면서도 전체적인 구도를 놓치지 않고, 훨씬 더 풍부하고 정확한 움직임의 표현을 만들어낼 수 있습니다.

연구진은 또한 모델이 실수를 통해 학습하는 방식도 변경했습니다. 단순히 컴퓨터에게 두 경로가 얼마나 유사한지 하나의 숫자를 예측하라고 요구하는 대신, 여러 경로의 상대적인 순위를 이해하도록 가르쳤습니다. 이는 마치 교사가 학생에게 단 하나의 에세이를 채점하라고 하는 것이 아니라, 에세이 한 더미를 가장 좋은 것부터 나쁜 것 순서대로 분류하라고 하는 것과 같습니다. 이러한 '순위 매기기'에 집중함으로써, 모델은 매우 유사한 경로와 약간 덜 유사한 경로 사이의 미묘한 차이를 학습하며, 무엇이 두 여정을 진정으로 유사하게 만드는지에 대한 이해를 정교화합니다. 'k-최근접 이웃 유도 손실(k-nearest neighbor guided loss)'이라고 알려진 이 방법은 모델이 가장 중요한 비교에 주의를 기울여, 가장 유사한 경로를 리스트의 최상단에 배치하도록 보장합니다.

포르투, 시안, 독일에서 수집된 수백만 건의 택시 및 승차 공유 여정이 포함된 세 개의 거대한 실제 데이터셋에서 테스트했을 때, 이 새로운 모델은 눈에 띄는 성능 향상을 보여주었습니다. 평균적으로, TSMini는 기존의 최선책들과 비교하여 유사도 매칭 정확도를 15% 향면시켰습니다. 이러한 개선은 다양한 유형의 경로와 다양한 거리 측정 방식 전반에서 일관되게 나타났습니다. 이 모델은 특히 기존 시스템이 실패하거나 메모리 부족 문제를 일으켰던 길고 복잡한 궤적을 처리하는 데 탁월한 능력을 입증했습니다. 또한 데이터가 불완전할 때도 놀라운 회복력을 보여주었습니다. 연구진이 신호 품질 저하를 시뮬레이션하기 위해 위치 지점의 상당 부분을 의도적으로 제거하거나 위치를 약간 이동시켰음에도 불구하고, TSMini는 정확한 매칭을 찾아내는 능력을 유지했습니다. 이러한 견고함은 모델이 단순히 특정 데이터 포인트를 암기한 것이 아니라, 움직임의 진정한 근본 패턴을 학습했음을 시사합니다.

TSMini의 성공은 그 단순함과 전체를 보는 능력에 있습니다. 여정에 대한 다각적인 시각과 상대적 순위를 강조하는 훈련 방법을 결합함으로써, 연구진은 정확하면서도 효율적인 도구를 만들어냈습니다. 이 모델은 실행하는 데 막대한 계산 능력을 요구하지 않으므로, 배달 드라이버에게 가장 유사한 과거 경로를 찾아주거나 도시 계획을 위해 유사한 교통 패턴을 그룹화하는 것과 같은 실시간 응용 분야에 매우 실용적입니다. 이 연구는 우리가 컴퓨터에게 문제를 바라보는 방식을 바꿈으로써—즉, 단일하고 경직된 시각에서 유연하고 다층적인 관점으로 전환함으로써—우리의 일상을 정의하는 복잡한 움직임에 대한 더 깊은 이해를 끌어낼 수 있음을 확인시켜 줍니다.