시멘틱 궤적과 GRU 모델을 활용한 개별 관광객의 다음 목적지 예측 모델링
Prediction of Individual Tourists’ Next Destination using Semantic Trajectory and GRU
- 주제(키워드) LBSNS , Semantic Trajectory , Individual Tourists , Next Destination Prediction , GRU Model , 위치기반 SNS , 시멘틱 궤적 , 개별 관광객 , 다음 목적지 예측 , GRU 모델
- 주제(기타) 토목공학
- 설명문(URI) https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002789443
- 등재 KCI등재
- 발행기관 대한공간정보학회
- 발행년도 2021
- URI http://www.dcollection.net/handler/ewha/000000185252
- 본문언어 한국어
초록/요약
위치기반 소셜 네트워크 서비스(location based social network service, LBSNS)는 사진, 텍스트 등 다양한 맥락을 내포하는 시멘틱 궤적으로 활용될 수 있다. 최근 연구되는 딥러닝을 활용한 다음 목적지 예측연구에서 맥락정보의 중요성을 인식하고 이를 반영한 모델을 구축하기는 하였지만 다양한 맥락정보를 하나로 결합하여 학습하지는 않고 있다. 본 연구의 목적은 이동 예측에 영향을 미치는 시멘틱 정보를 규정하고, 시멘틱 궤적 데이터를 구축한 후, 이에 기반하여 관광객의 다음 목적지를 예측하는 모델을 구축하는 것이다. 본 연구에서는 관광객의 다음 목적지에 영향을 미치는 시멘틱 정보로 시공간 정보, 관광지별 맥락정보, 관광객이 게시한 사진을 통한 관광객 유형 정보 등을 구축하고, gated recurrent unit(GRU)를 활용한 다음 목적지 예측모델을 구축하였다. 구축된 모델은 top 1 정확도 0.703, top 5 정확도 0.802, f1-score 0.577의 성능을 나타냈다. 학문적 측면에서 관광객의 다음 목적지에 영향을 미치는 시공간 규칙성, 관광지별 맥락정보, 관광객의 개인적 선호도 요인의 복합적인 상호 작용을 고려하였으며, 궤적의 여러 정보를 하나의 궤적 속성으로 모델에 반영하였다는 점에서 의의가 있다. 사회⦁경제적 측면에서는 관광객의 다음 목적지 예측모델을 통해 관광객이 이동할 도착지를 확인함으로써 관광객 서비스를 적절한 장소에 사전에 제공할 수 있다는 점에서 가치가 있다.
more초록/요약
Location based social networking service (LBSNS) can be used as a semantic trajectory that includes various contexts such as photos and texts. Although the recent study of deep learning has been used to recognize the importance of contextual information in destination prediction research and to build a model that reflects it, it does not learn by combining various contextual information into one. The purpose of this study is to define semantic information that affects movement prediction, construct semantic trajectory data, and build a deep learning model to predict the tourist's next destination. In this study, we built a model for predicting tourists' next tourist destination using GRU in consideration of the complex interaction of the spatio-temporal regularity, contextual information by tourist destination, and personal preferences of the tourist. The performance of the final model is top 1 accuracy 0.703, top 5 accuracy 0.802, and f1-score 0.577. From an academic point of view, it is significant in that it considered the complex interaction of the spatio-temporal regularity, contextual information by tourist, and personal preference factors affecting tourists' next destination, and reflected various information of trajectories in the model as one trajectory attribute. In terms of social and economic aspects, it is valuable in that tourist services can be provided in advance to appropriate places by identifying the destination where tourists will move through the next destination prediction model.
more