도시교통 시스템의 구간 기반 궤적 유사도 측도(SDTW)
Digest:
도시교통에서 두 이동경로가 얼마나 닮았는지 재는 **궤적 유사도(trajectory similarity)**는 군집화·분류·패턴마이닝의 토대지만, 기존 DTW(Dynamic Time Warping, 두 시계열을 늘이고 줄여 정렬하며 점-점 거리를 누적하는 측도)·LCSS(Longest Common Subsequence, 임계값 안에 드는 공통 점의 최장 부분열)·EDR(Edit Distance on Real sequence, 한 궤적을 다른 궤적으로 바꾸는 최소 편집 연산 수)은 모두 점-점(point-to-point) 거리만 본다(Context).저자들이 포착한 빈틈은, 궤적이 점의 나열이 아니라 점과 점을 잇는 **구간(segment)**의 연속체이고 점만 비교하면 샘플링 방식 차이·노이즈·형태(shape)·시간이 뭉개진다는 점, 게다가 시간은 공간과 단위가 달라 단순 가중합으로 섞을 수 없다는 점이다(Insight).
그래서 궤적을 구간으로 모델링(정의 1~6)하고 세 거리를 정의한다 — 점-구간 거리(point-segment distance, 대리 부분궤적과 투영 파라미터 r로 샘플링 민감도를 낮춤), 예측 거리(prediction distance, 시간차를 등속 외삽으로 공간거리로 환산해 distt=dist(A,B’)로 계산), 구간-구간 거리(segment-segment distance, 양 끝점의 시공간 거리에 arctan2로 잰 사잇각 θ를 더해 형태를 반영하고 파라미터 t로 시간을 가중) — 그리고 DTW의 점-점 거리만 이 세 거리로 갈아끼우고 동적계획(비용행렬·누적거리·최소비용경로)은 그대로 유지해 SDTW를 만든다(Solution).
도시교통 데이터셋 실험에서 정확도는 LCSS 대비 약 57%, EDR 대비 약 86%, DTW 대비 약 31% 향상되었고 노이즈 민감도는 세 측도보다 낮았다(Evidence; 절대 수치·런타임은 추출본에 없어 단정하지 않음).
다만 세 거리를 매번 계산하는 계산복잡도/속도, 시간 가중 파라미터 t에 대한 의존, 등속(constant-velocity) 외삽 가정, 도시교통 도메인 한정은 인정·식별된 한계다(Limitations). 📎 https://www.mdpi.com/1424-8220/17/3/524
먼저 이해하기
쉬운 설명
이 논문은 차들이 지나간 길(GPS 궤적, 위치를 시간 순서로 찍은 점들의 모음)이 서로 얼마나 닮았는지 재는 방법에 관한 연구다. 기존 방법인 DTW·LCSS·EDR은 한 궤적의 점과 다른 궤적의 점을 하나씩 짝지어 거리를 재는데, 점을 얼마나 촘촘히 찍었는지(샘플링)에 따라 결과가 흔들리고 길의 모양이나 시간 정보를 놓친다. 이 논문은 점이 아니라 점과 점을 잇는 ‘구간(segment, 짧은 선분)‘을 비교 단위로 삼는다. 비유하자면 글자 하나하나가 아니라 획(stroke)을 비교해 글씨체를 알아보는 식이다. 구체적으로 점-구간 거리·예측 거리·구간-구간 거리 세 가지를 정의하는데, 예측 거리(prediction distance)는 시간 차이를 ‘등속으로 움직였다면 얼마나 더 갔을까’로 바꿔 공간 거리와 같은 단위로 만들고, 구간-구간 거리는 arctan2(두 점의 좌표차로 각을 구하는 함수)로 길의 휘어짐(형태)까지 반영한다. 이 세 거리를 DTW의 계산 틀(동적계획)에 끼워 넣은 것이 SDTW다. 도시교통 데이터에서 SDTW는 LCSS 대비 약 57%, EDR 대비 약 86%, DTW 대비 약 31% 더 정확했고 노이즈에도 덜 흔들렸다.
왜 중요한가
궤적 유사도는 차량 군집화·경로 분류·이동패턴 마이닝 같은 도시교통 분석의 바닥 도구라서, 측도가 흔들리면 그 위의 모든 분석이 함께 흔들린다. SDTW는 점이 아닌 구간을 보면서 샘플링 방식이 달라도, 노이즈가 섞여도 더 안정적으로 닮은 정도를 재므로 현장의 지저분한 GPS 데이터에 강하다. 또한 시간을 등속 외삽으로 공간과 같은 단위로 바꾼 덕분에, 그동안 단위가 달라 억지로 가중합하던 시공간 결합 문제에 한 가지 구체적 해법을 제시한다. 보고된 향상폭(LCSS 대비 ~57%, EDR 대비 ~86%, DTW 대비 ~31%)은 이 구간 중심 관점이 점 중심 측도보다 실제로 더 정확할 수 있음을 보여준다. 다만 이 효과는 도시교통 데이터셋에서 측정된 상대적 향상이며, 등속 가정과 파라미터 t 설정에 기댄 결과라는 조건 안에서 의미를 갖는다.
먼저 알아둘 말
| 용어 | 쉬운 설명 | 정확성 메모 |
|---|---|---|
| GPS 궤적 | 이동체가 지난 위치를 시간 순서로 찍은 점들의 모음 | 각 점은 (위치, 시각); 본 논문은 점이 아닌 구간 연속체로 재해석 |
| DTW | 두 궤적을 늘이고 줄여 정렬하며 점-점 거리를 누적하는 측도 | 샘플링 차이에 민감; SDTW는 이 점-점 거리만 세 구간 거리로 교체 |
| LCSS | 임계값 ε 안에 드는 공통 점의 최장 부분열 길이로 유사도를 재는 측도 | 시간 거리를 최적화하지 않음 |
| EDR | 한 궤적을 다른 궤적으로 바꾸는 최소 편집 연산 수 | 길의 형태(shape)를 반영하지 않음 |
| 구간(segment) | 궤적에서 인접한 두 점을 잇는 짧은 선분(부분궤적) | 비교의 기본 단위; sub-trajectory segment·proxy sub-trajectory로 정식화 |
| 예측 거리(prediction distance) | 시간 차이를 ‘등속으로 더 갔을 거리’로 바꿔 공간 거리와 같은 단위로 만든 값 | distt=dist(A,B’); 등속 외삽 가정에 의존 |
| arctan2 | 두 점의 좌표차로 각도를 구하는 함수 | 구간-구간 거리에서 두 선분 사잇각 θ로 형태를 반영 |
| SDTW | 세 구간 거리를 DTW의 동적계획 틀에 끼운 구간 기반 측도 | 비용행렬·누적거리·최소비용경로는 DTW와 동일 |
섹션별 요약
Abstract
GPS 궤적 데이터가 폭발적으로 증가했지만, 기존 궤적 유사도 알고리즘은 정확도가 낮고 샘플링 방식에 매우 민감하며 노이즈 데이터에 강건하지 못하다. 저자들은 점-구간 거리(point-segment), 예측 거리(prediction), 구간-구간 거리(segment-segment)라는 세 가지 거리 측도를 제안하고, 이를 동적 시간 워핑(DTW)에 통합해 구간 기반 동적 시간 워핑(SDTW) 알고리즘을 구성한다. 도시교통(urban transportation) 궤적 데이터셋 실험에서 SDTW는 LCSS 대비 약 57%, EDR 대비 약 86%, 전통적 DTW 대비 약 31% 더 높은 정확도를 보였다. 또한 노이즈에 대한 민감도가 기존 측도들보다 낮았다.
저자 contribution
- 점-구간·예측·구간-구간 세 거리를 DTW의 점-점 거리 자리에 통합한 SDTW 유사도 측도를 제안한다.
- 샘플링 민감도·시간거리·형태(shape) 인자라는 기존 측도의 세 한계를 하나의 틀에서 동시에 다룬다.
- 도시교통 데이터셋에서 LCSS/EDR/DTW 대비 정확도 향상(약 57%/86%/31%)과 노이즈 강건성을 실증한다.
왜 이 연구를 하는가?
핵심 질문: 서로 다른 샘플링 방식·노이즈·시간 흐름·경로 형태를 가진 두 GPS 궤적의 유사도를, 어떻게 정확하고 노이즈에 강건하게 측정할 것인가?
| 접근 | 부류 | 한계 |
|---|---|---|
| DTW | L1/L2 패러다임 | 점-점 거리만 계산 → 샘플링 방식 차이 무시(동일 자연궤적이 다른 점 시퀀스 생성). 시퀀스와 자연궤적 관계·형태 못 봄 |
| LCSS | 매칭 임계값 | ε로 매칭쌍 식별, granularity 거칠고 비매칭쌍 무시, 시간거리 최적화 안 함 |
| EDR | 매칭 임계값 | 편집거리 기반·ε 임계값, 형태(shape) 인자 무시 |
| 시계열 분석 기법 | — | 궤적의 시공간적 본질 미반영, 시간거리를 공간거리와 단순 가중합 불가 |
핵심 통찰: 궤적을 ‘점’이 아니라 ‘구간(segment)’ 단위로 보면 — (a) 점이 대표하는 대리 부분궤적을 고려해 샘플링 민감도를 줄이고, (b) 시간차를 공간거리로 변환하며, (c) 구간 사잇각(arctan2)으로 형태를 포착할 수 있다.
Introduction
동기: 궤적 데이터 마이닝은 지능형 교통 시스템에서 인간 활동·차량 이동 패턴을 드러내며, 그 토대는 궤적 간 유사도 측정이다.
기존 한계(주류 알고리즘 3가지): (1) 샘플링 민감 — DTW가 점-점 거리를 직접 계산해 샘플링 방식 차이를 무시. 동일 자연궤적도 샘플링 방식에 따라 다른 점 시퀀스를 만든다. (2) 시간거리 미최적화 — LCSS는 시간거리 최적화를 소홀히 하고, 시계열 기법은 궤적의 시공간적 본질을 살리지 못한다. (3) 형태 인자 무시 — EDR은 중요한 형태(shape) 속성을 무시한다.
관련연구(갭 구체화): 측도를 두 부류 — L1/L2 패러다임(DTW) vs 매칭 임계값(LCSS, EDR) — 로 정리. Wang et al.은 DTW가 다수 데이터셋에서 가장 정확하나 느리다고 보고. 점-only 비교의 손실은 두 사례로 드러난다: Fig1a는 곡선 궤적을 두 샘플링(T1, T2)으로 기록했을 때 원본은 같은데 시퀀스가 달라지는 문제, Fig1b는 점 P에서 교차하는 두 궤적이 공유 샘플점 P 때문에 실제 차이가 약화되는 문제다. 시간 측정은 공간과 단위가 달라 두 가중치를 단순히 더할 수 없다.
핵심 통찰/기여: 점-구간 거리(샘플링 민감도↓), 예측 거리(시간차→공간 변환), 구간-구간 거리(사잇각으로 형태 반영)를 DTW에 통합한 SDTW로 위 세 한계를 동시에 해결한다.
Methods
개요: SDTW는 (a) 정의 1~6으로 궤적을 ‘구간’ 단위로 모델링하고, (b) 점-구간·예측·구간-구간 세 거리를 정의한 뒤, (c) DTW의 점-점 거리를 이 세 종합 거리로 대체해 구성한다.
정의(1~6): ① 자연궤적 = 이동체의 연속 경로. ② 궤적 시퀀스 T={P1,…,Pn}, Pi=(xi,yi,zi)를 시간순 정렬. ③ 부분궤적 구간 = 인접점 Pi,Pi+1를 이은 선분. ④ 자연 부분궤적 구간 = 인접점 사이의 자연궤적 부분. ⑤ 대리 자연 부분궤적 구간 = 인접 기록구간들의 중점 사이 자연궤적 부분. ⑥ 대리 부분궤적 = Pmid1(Pi,Pi−1 중점)와 Pmid2(Pi,Pi+1 중점)로 Pmid1–Pi, Pi–Pmid2를 형성.
- 거리1 — 점-구간(point-segment): 점-점 유클리드 대신, 각 점이 대표하는 대리 부분궤적을 고려해 GPS 샘플링율 민감도를 줄이면서 디테일 보존. 중점 Pmid1=((xj−1+xj)/2,(yj−1+yj)/2), Pmid2=((xj+xj+1)/2,(yj+yj+1)/2)를 구하고, 투영 파라미터 r로 최단거리 산출(r≤0이면 Pmid1까지, r≥Lseg이면 Pmid2까지, 그 외 수직거리). 대칭화: distp(Pi,SPj)=distps(Pi,SPj)+distps(SPj,Pi).
- 거리2 — 예측(prediction): 시간거리를 공간거리로 변환. ti<tj면 간격 tj−ti 후 Pi 위치를 예측해 Pi′를 얻는다. 빠른 점 A, 늦은 점 B, Δt=tA−tB, 시각 tB+Δt를 포함하는 구간을 찾아 속도 vix=(xi−xi−1)/Δti, viy=(yi−yi−1)/Δti로 예측 B′=(xi−1+vix(tB+Δt−ti−1), yi−1+viy(tB+Δt−ti−1)). 해당 시각 기록점이 없으면 전체 평균속도 (xN−x1)/(tN−t1)·Δt로 외삽. distt(A,B)=dist(A,B′).
- 거리3 — 구간-구간(segment-segment): 끝점 시공간거리 + 사잇각 결합. distst(Si,SSj)=distp(Pi,SPj)+t·distt(Pi,SPj)+distp(Pi+1,SPj+1)+t·distt(Pi+1,SPj+1). 파라미터 t는 시간 민감도 가중. 형태 차이는 사잇각 θ=|arctan2(yi+1−yi,xi+1−xi)−arctan2(yj+1−yj,xj+1−xj)|로 포착.
SDTW: DTW의 점-점 거리를 위 세 종합 측도로 교체하고, DTW의 동적계획(비용행렬, 누적거리, 국소 시간워핑 허용, 최소비용경로)은 유지한다.
입력/출력: 입력 = 시간 스탬프를 가진 두 궤적 시퀀스(점열). 출력 = 두 궤적 간 종합 유사도(거리) 및 정렬 경로.
차별점: 비교 단위를 점→구간으로 바꿔 샘플링 민감도를 낮추고, 시간거리를 공간으로 환산해 통합하며, arctan2 사잇각으로 형태를 반영 — 기존 점-점 측도가 못 한 세 가지를 한 틀에 담는다.
발견 (Findings)
- SDTW의 정확도가 모든 베이스라인을 상회: LCSS 대비 약 57%, EDR 대비 약 86%, DTW 대비 약 31% 향상(도시교통 데이터셋). 향상 폭이 EDR에서 가장 크다 → 형태·시공간을 함께 반영한 효과가 가장 크게 드러나는 지점.
- 노이즈 민감도가 기존 세 측도보다 낮음 → 구간 기반 접근 + 점-구간 거리가 GPS 노이즈·돌출점·샘플링 불규칙성에 강건성을 부여.
- “가장 정확하나 느리다”고 알려진 DTW(Wang et al.)보다도 정확도가 약 31% 높음 → 점-점 비교 자체가 정확도 병목이었음을 시사.
Results
실험 설정: 도시교통(urban transportation) 궤적 데이터셋에서 SDTW를 DTW, LCSS, EDR과 정확도 및 노이즈 강건성으로 비교한다.
정확도(상대 향상률): SDTW가 LCSS 대비 약 57%, EDR 대비 약 86%, 전통적 DTW 대비 약 31% 향상.
노이즈 강건성: SDTW의 노이즈 민감도가 세 비교군보다 낮음. 구간 기반 접근과 점-구간 거리가 GPS 노이즈·돌출점(erratic points)·샘플링 불규칙성에 강건성을 부여.
[주의] 제공된 추출본에는 표/그림 번호와 절대 정확도 수치·런타임이 포함되지 않아, 결과는 베이스라인 대비 상대 향상률과 정성적 노이즈 강건성으로만 보고됨(절대값은 보고 불가).
Discussion
의미: 궤적 유사도는 점 중심(point-centric) 접근을 넘어서야 한다. 점-구간(샘플링)·예측(시간)·구간-구간(형태)을 SDTW로 묶으면 기존 측도의 핵심 한계(샘플링 민감·시간 무시·형태 무시)를 해소하며, 검증으로 정확도 향상과 노이즈 강건성이 확인되었다.
한계(원문에 명시적 Limitations 절 없음 → 주로 독자 식별):
- 계산 복잡도/속도: 매 쌍마다 중점·투영·예측 위치 계산과 구간 비교를 수행해 점-점 대비 연산 비용이 늘 수 있다(원문도 DTW 계열을 “느리다”고 언급).
- 파라미터 t 의존: 시간 가중 t를 수동 설정해야 하고 값에 따라 결과가 시간 민감도 쪽으로 치우칠 수 있다.
- 예측 거리의 가정: 등속/전체 평균속도 외삽 기반 → 급가속·급감속 구간에서 예측 위치가 부정확할 수 있다.
- 평가 범위: 도시교통 궤적에 한정되고, 추출본에 절대 정확도·런타임이 없어 일반화·효율 주장 검증이 제한적.
향후 방향: t의 자동/적응적 선택, 런타임·복잡도 최적화, 비등속 운동 반영 예측 모델, 타 도메인 궤적으로의 일반화.
이론적 의의
- 궤적 유사도의 기본 비교 단위를 ‘점’에서 ‘구간(segment)‘으로 재정의 → 대리 부분궤적 개념으로 샘플링 의존성을 측도 설계 차원에서 줄이는 새 틀 제시.
- 시간거리를 공간거리로 변환하는 ‘예측 거리’를 도입 → 시간·공간을 단순 가중합할 수 없다는 문제를 우회하는 시공간 통합 해법.
- arctan2 사잇각으로 형태(shape)를 유사도에 정식 편입 → 궤적 클러스터링·분류·패턴 마이닝의 기반 측도로 기능할 수 있는 종합 거리지표 확립.
Discussion Points
- 논쟁점: “약 57%/86%/31% 향상”이 어떤 정확도 지표·데이터셋·정답(ground truth) 기준에서 측정됐는지 추출본에 없음 → 측정 프로토콜의 공정성·재현성 논쟁 가능. EDR 대비 86%라는 큰 폭이 측도 스케일 차이의 부산물인지 검증 필요.
- 검증 필요 가정: 예측 거리의 등속/평균속도 외삽; 시간↔공간 변환(파라미터 t)이 정체·신호 대기 등 모든 교통 상황에서 타당한가; 단일 t 값의 데이터셋 간 일반화.
- 후속 연구: t 자동 튜닝, 런타임/복잡도 정량 분석, 비교 측도 확장(Fréchet·ERP 등), 보행·해양·항공 등 타 도메인 일반화, 다운스트림(클러스터링·분류) 통합 평가.
실험 결과 상세
| 비교 기준선 | 부류 | SDTW의 정확도 향상 | 노이즈 민감도 |
|---|---|---|---|
| LCSS | 매칭 임계값 | 약 +57% | SDTW가 더 낮음 |
| EDR | 매칭 임계값 | 약 +86% | SDTW가 더 낮음 |
| DTW | L1/L2 패러다임 | 약 +31% | SDTW가 더 낮음 |
[주의] 절대 정확도·런타임 수치는 추출본에 없어 상대 향상률로만 보고.
프레임워크 다이어그램
graph TD A["두 GPS 궤적 (점열 + 시각)"] --> B["구간(segment) 단위로 모델링<br/>(정의 1~6: 대리 부분궤적)"] B --> C["점-구간 거리<br/>(샘플링 민감도↓, 투영 r)"] B --> D["예측 거리<br/>(시간차→공간, 등속 외삽)"] B --> E["구간-구간 거리<br/>(arctan2 사잇각 θ로 형태)"] C --> F["DTW 점-점 거리를 세 거리로 교체"] D --> F E --> F F --> G["SDTW: 동적계획(비용행렬·누적거리·최소비용경로) 유지"] G --> H["정확도 ↑ (LCSS +57%·EDR +86%·DTW +31%)<br/>+ 노이즈 강건"]
재현성 및 신뢰도 평가
| 항목 | 등급 | 근거 |
|---|---|---|
| 코드 공개 | C | 추출 텍스트 범위 내 공개 코드 링크 확인 불가 |
| 방법 명세 | B | 정의 1~6, 세 거리의 수식·투영·외삽 절차 명시 |
| 실험 재현성 | C | 데이터셋 출처·절대 수치·런타임이 추출본에 부재 → 상대 향상률만 |
| 종합 | C | 방법은 재현 가능 수준으로 기술되나 실험 보고가 상대값에 한정 |
주장별 신뢰도
- (중) “SDTW가 LCSS/EDR/DTW 대비 정확도 향상” — 상대 향상률(+57/+86/+31%)로 보고되나 절대 수치·프로토콜 부재로 강한 단정은 보류.
- (중) “노이즈 민감도가 더 낮음” — 정성적 진술로 뒷받침, 정량 곡선은 추출본에 미포함.
관련 연구 비교 매트릭스
| 측도 | 연도 | 부류 | 비교 단위 | 시간 반영 | 형태(shape) 반영 | 노이즈 강건성 |
|---|---|---|---|---|---|---|
| SDTW (본 논문) | 2017 | DTW 확장 | 구간(segment) | ✅ (예측 거리) | ✅ (arctan2 사잇각) | 상대적으로 높음 |
| DTW | 1994~ | L1/L2 | 점-점 | ❌ | ❌ | 낮음 |
| LCSS | 2002 | 매칭 임계값 | 점(임계 ε) | 부분 | ❌ | 중간 |
| EDR | 2005 | 매칭 임계값(편집거리) | 점(편집 연산) | ❌ | ❌ | 중간 |
본 논문은 “두 2D 경로 간 거리/유사도를 직접 재는 핵심 엔진(DTW/Fréchet/LCSS/EDR 계열)“으로, golden path 대비 실제 경로의 이탈을 기하적으로 정량화하는 측정 도구 축을 맡는다.
원자적 인사이트 (Zettelkasten)
💡 거리 함수만 바꾸면 새 유사도 측도가 된다
유형: 방법론적 — DTW의 본체는 비용행렬·누적거리·최소비용경로를 구하는 동적계획이고, ‘두 원소 사이 거리’는 갈아끼울 수 있는 부품이다. 이 논문은 점-점 거리만 점-구간·예측·구간-구간 세 거리로 교체해 SDTW를 만들었다. 정렬 알고리즘은 손대지 않고 거리 정의만 바꿔도 측도의 성질(샘플링 강건성·형태 반영·시간 결합)을 크게 바꿀 수 있다. 연결: 음성·필적·센서 시계열 등 타 도메인 맞춤 측도.
💡 시간차를 ‘등속으로 더 간 거리’로 바꾸면 시공간을 한 단위로 묶을 수 있다
유형: 이론적 — 시간과 공간은 단위가 달라 단순 가중합이 어렵다. 예측 거리는 두 점의 시간차 동안 등속 이동했다면 도달했을 위치 B’를 외삽한 뒤 distt=dist(A,B’)로 시간차를 공간 거리로 환산한다. 단 등속 가정에 의존해 가감속 구간에서 오차가 커질 수 있고 파라미터 t로 가중 조절. 연결: 비동기 샘플링 센서 스트림 정합.
💡 “이상적 경로 대비 실제 경로 거리”를 재는 핵심 엔진으로서의 궤적 유사도
유형: 연결 — golden path(이상적 경로)와 실제 2D 경로가 얼마나 벌어졌는지 정량화하려면 ‘두 경로 간 거리/유사도’를 재는 측정 엔진이 필요하다. SDTW는 DTW/Fréchet/LCSS/EDR 계열에 속하는 이 측정 엔진의 한 갈래로, 점이 아닌 구간으로 형태·시간까지 반영한다. 연결: AI Safety Gridworlds, Exploring Hierarchy-Aware Inverse Reinforcement Learning, Related Papers - Golden Path vs Actual Path.
핵심 용어 정리
| 용어 | 정의 |
|---|---|
| GPS 궤적 | 이동체가 지난 위치를 시간 순서로 늘어놓은 점들의 모음. |
| 자연궤적 (natural trajectory) | 샘플링되기 전의 실제 연속 이동 경로 그 자체. |
| 궤적 시퀀스 | 자연궤적을 시점마다 샘플링해 점들의 순서열로 표현한 것. |
| sub-trajectory segment / proxy sub-trajectory | 인접 두 점을 잇는 선분 / 점을 상대 구간에 투영해 만든 대응 부분궤적(투영 r). |
| DTW / LCSS / EDR | 점-점 누적거리 / 임계 ε 공통 부분열 / 편집거리 기반 거리 측도. |
| 점-구간 거리 | 한 점과 상대 구간 사이 거리. 투영 r로 샘플링 민감도↓. |
| 예측 거리 | 시간차를 등속 외삽으로 공간거리(distt=dist(A,B’))로 환산. |
| 구간-구간 거리 | 끝점 시공간거리 + arctan2 사잇각 θ(형태), 파라미터 t로 시간 가중. |
| SDTW | 세 거리를 DTW 동적계획 틀에 결합한 구간 기반 측도. |
| 비용행렬/누적거리/최소비용경로 | DTW류 동적계획의 3요소. |
관련 연구
- Related Papers - Golden Path vs Actual Path — ‘이상적 경로 vs 실제 2D 경로 거리’ 묶음의 허브. 본 논문은 두 2D 경로 간 거리를 직접 재는 핵심 엔진(DTW/Fréchet/LCSS/EDR 계열).
- AI Safety Gridworlds — 격자 환경에서 안전 준수를 측정; 본 논문은 그 ‘경로 간 거리’를 직접 재는 측정 엔진 축.
- Exploring Hierarchy-Aware Inverse Reinforcement Learning — 경로로부터 보상을 역추론; SDTW는 그 입력 경로들의 유사도/거리를 정량화하는 도구.
태그
paper #2017 trajectory-similarity urban-transportation SDTW DTW spatiotemporal-data
BibTeX
@article{mao2017segmentbased,
title = {A Segment-Based Trajectory Similarity Measure in the Urban Transportation Systems},
author = {Mao, Yingchi and Zhong, Haishi and Xiao, Xianjian and Li, Xiaofang},
journal = {Sensors},
volume = {17},
number = {3},
pages = {524},
year = {2017},
doi = {10.3390/s17030524},
url = {https://www.mdpi.com/1424-8220/17/3/524}
}