Hyperspectral Trajectory Image for Multi-Month Trajectory Anomaly Detection

1. 문제 정의 (Problem Definition)

궤적 이상 탐지 (Trajectory Anomaly Detection) 는 사기 탐지, 공공 안전, 도시 이동성 분석 등 다양한 분야에서 중요한 역할을 합니다. 그러나 기존 연구는 두 가지 상충되는 접근법으로 나뉘어 있어 장기적인 이상 탐지에 한계가 있었습니다.

• 희소 (Sparse) 기반 방법: GPS 데이터를 '정체점 (Stay-points)'이나 '방문 (Visits)'과 같은 이벤트 시퀀스로 압축합니다. 이는 장기 모델링에는 확장성이 좋지만, 이동 중의 짧은 활동, 비정상적인 속도, 우회 경로 등 세밀한 증거 (Fine-grained evidence) 를 손실합니다.
• 밀집 (Dense) 기반 방법: 초단위 GPS 데이터를 그대로 사용합니다. 세밀한 정보를 보존하지만, Transformer 와 같은 모델의 계산 비용이 시퀀스 길이에 대해 이차함수 (Quadratic) 적으로 증가하여 수개월 간의 데이터를 처리하는 것이 불가능합니다.
• 핵심 한계: 기존 방법들은 인간 이동의 **주기적 (Cyclic) 구조 (하루 내 패턴과 일별 패턴)**를 고려하지 않고 평평한 1 차원 시퀀스로만 처리하며, 밀집 데이터와 희소 데이터를 통합하는 단일 프레임워크가 부재했습니다.

2. 제안 방법론 (Methodology)

저자들은 궤적 이상 탐지를 비전 (Vision) 문제로 재정의하여 TITAnD (Trajectory Image Transformer for Anomaly Detection) 프레임워크를 제안했습니다.

A. 초분광 궤적 이미지 (Hyperspectral Trajectory Image, HTI)

기존의 1 차원 시퀀스를 2 차원 이미지로 변환하는 핵심 표현 방식입니다.

• 구조: 일 (Day) × 하루 중 시간 (Time-of-day) 그리드 형태.
• 채널 (Channels): 각 픽셀은 공간적 (위치), 의미론적 (POI), 시간적, 운동학적 (속도, 가속도) 정보를 인코딩합니다.
• 통합성: 밀집 GPS 스트림이든 희소 정체점 로그든, 데이터 특화 인코더를 통해 동일한 HTI 공간으로 매핑되어 단일 아키텍처로 처리됩니다.
• 작업 변환:
  • 에이전트 수준의 이상 탐지 $\rightarrow$ 이미지 분류 (Image Classification)
  • 시간적 위치 추정 (Temporal Localization) $\rightarrow$ 시맨틱 세그멘테이션 (Semantic Segmentation)

B. 데이터 인코더 (Trajectory Encoders)

• DenseTrajEmbed: 10 초 간격의 GPS 스트림을 5 분 슬롯으로 리샘플링하고, 각 슬롯 내의 포인트들을 주의 (Attention) 풀링하여 공간 토큰을 생성합니다. 운동학적 특징 (속도, 방향, 가속도) 을 별도로 추출하여 결합합니다.
• SparseTrajEmbed: 정체점 (Stop) 과 이동 (Trip) 이벤트를 그리드에 매핑합니다. 이동 방향을 인코딩하기 위해 '델타 셀 임베딩'을 사용하며, 이벤트 간 경계를 부드럽게 처리하기 위해 블렌딩 기법을 적용합니다.
• 공통 특징: 두 인코더 모두 공간 - 의미론적 (Spatio-semantic), 시간적 (Temporal), 운동학적 (Kinematic) 특징을 추출하여 HTI 를 생성합니다.

C. 순환 분해형 트랜스포머 (Cyclic Factorized Transformer, CFT)

HTI 를 효율적으로 처리하기 위해 제안된 새로운 어텐션 메커니즘입니다.

• 동기: 인간의 이동은 '하루 내 (Within-day)'의 에피소드와 '일별 (Across-day)'의 루틴이라는 두 가지 주기적 구조를 가집니다.
• 작동 원리:
  1. Intra-Day Attention: 하루 내 모든 시간 슬롯 (S) 간에 어텐션을 적용하여 하루 내의 에피소드 패턴을 학습.
  2. Inter-Day Attention: 같은 시간대의 모든 일 (D) 간에 어텐션을 적용하여 일별 루틴의 일관성 및 이상을 학습.
• 효율성: 표준 Transformer 의 $O((DS)^2)$ 복잡도를 $O((DS^2 + SD^2))$로 줄여, 12 개월 데이터 처리 시 약 85 배의 계산 비용 절감 효과를 냅니다.
• 구조: Intra-attention 과 Inter-attention 을 교대로 쌓아 (Interleaved) 두 시간 척도 간의 정보 흐름을 최적화합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 다중 달간 밀집 궤적 이상 탐지: HTI 표현과 CFT 를 통해 수개월 간의 밀집 GPS 데이터로 이상 탐지를 수행하는 첫 번째 프레임워크를 제시했습니다.
2. 밀집/희소 데이터의 통합: 서로 다른 데이터 모달리티 (GPS vs Stay-points) 를 단일 비전 문제 (HTI) 로 통합하여, 하나의 아키텍처로 두 regimes 모두를 처리할 수 있게 했습니다.
3. CFT 아키텍처 도입: 인간의 이동 주기성을 인덕티브 바이어스 (Inductive Bias) 로 활용하여 계산 비용을 획기적으로 줄이면서도 성능을 향상시켰습니다.
4. 구조 인식 모델링의 중요성 증명: 단순히 이미지를 만드는 것만으로는 성능 향상이 보장되지 않으며, 주기적 구조를 명시적으로 활용하는 아키텍처 (CFT) 가 필수적임을 실험을 통해 입증했습니다.

4. 실험 결과 (Results)

저자들은 공개된 희소 데이터 (NumoSim-LA) 와 비공개 밀집 데이터 (Tokyo, 10 초 간격, 66 일) 를 포함한 3 가지 벤치마크에서 실험을 수행했습니다.

• 성능 (Accuracy):
  • 밀집 데이터 (Dense Tokyo): TITAnD(CFT) 는 Temporal AUC-PR 에서 0.84 를 기록하여 기존 Transformer(0.60) 보다 40% 이상 향상되었습니다. Agent AUC 는 0.98 로 거의 완벽한 성능을 보였습니다.
  • 희소 데이터 (NumoSim-LA): 기존 희소 전용 모델 (USTAD, ICAD) 보다 뛰어난 성능을 보였으며 (Agent AUC 0.63 vs 0.53), HTI 표현이 이벤트 시퀀스 모델링보다 더 표현력이 있음을 입증했습니다.
  • 비교 모델: UNet, SegFormer, 표준 Transformer 보다 모든 벤치마크에서 우수한 성능을 기록했습니다.
• 효율성 (Efficiency):
  • 속도: 12 개월 데이터 처리 시 표준 Transformer 보다 75 배 빠릅니다 (234ms vs 17.5 초).
  • 모델 크기: CFT 는 6.5M 파라미터로, CNN 기반 모델 (19~26M) 보다 작습니다.
  • 메모리: Flash-Attention 을 사용하여 모든 백본과 유사한 메모리 사용량 (7~10GB) 을 유지합니다.
• Ablation Study:
  • 시간적 특징만으로는 성능이 미미했으나, 공간적 특징이 추가되면 성능이 급격히 향상되었습니다.
  • 희소 데이터에서는 Intra-day 와 Inter-day 어텐션 중 어느 하나만으로는 성능이 낮았으나, 두 가지를 결합한 CFT 만이 완전한 성능을 발휘함을 보여주기 위해 순환 분해 구조의 필요성을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 논문은 궤적 이상 탐지 분야에서 다음과 같은 중요한 통찰을 제공합니다:

1. 패러다임 전환: 궤적 데이터를 1 차원 시퀀스가 아닌 2 차원 이미지로 재해석함으로써, 컴퓨터 비전 기술 (세그멘테이션, 분류) 을 이동성 분석에 성공적으로 적용했습니다.
2. 확장성 해결: 밀집 GPS 데이터의 장기 분석을 가능하게 하여, 기존에 불가능했던 수개월 단위의 고해상도 이상 탐지를 실현했습니다.
3. 구조적 인사이트: 인간의 이동이 가진 '하루 내'와 '일별'의 이중 주기적 구조를 모델링에 명시적으로 반영할 때, 데이터 효율성과 성능이 극대화됨을 증명했습니다.

결론적으로 TITAnD 는 데이터의 밀집/희소 여부에 관계없이, 구조를 인식하는 비전 기반 접근법이 궤적 이상 탐지의 새로운 표준이 될 수 있음을 보여줍니다.