시맨틱 궤적과 GRU 모델을 활용한 개별 관광객의 다음 목적지 예측 모델링

Abstract

위치 기반 SNS는 미디어 환경에서 이용자에게 유용한 지리 정보를 제공할 수 있으며 동시에 개인화된 마케팅을 가능하게 함으로써 새로운 커뮤니케이션의 수단과 마케팅의 도구로 높은 가능성을 가진다. 또한, 위치 기반 SNS는 체크인의 공간적 위치와 타임스탬프를 통해 많은 양의 사용자 궤적 데이터를 생성할 수 있다. 시공간 정보만을 담고 있는 GPS를 통해 수집된 원시 궤적과는 달리, 위치 기반 SNS에서 생성된 궤적은 사진, 텍스트 등 풍부한 정보들이 포함된 다양한 의미를 내포하는 데이터이다. 따라서 위치 기반 소셜 네트워크는 장소 추천, 시공간 데이터 마이닝 등의 다양한 분야의 새로운 응용 연구의 길을 열어주고 있다. 이와 함께 과거 궤적을 기반으로 사용자가 다음에 방문할 장소를 추론하는 작업인 다음 위치 예측은 다양한 모바일 컴퓨팅 애플리케이션의 중요한 구성 요소로 간주하여왔다. 개별 관광객의 이동은 시공간 정보뿐만 아니라 관광지 정보, 사용자 선호 등과 같은 복합적인 요인에 의해 영향을 받기 때문에, 개별 관광객의 다음 목적지 예측에 시공간 정보 이외의 복합적인 요인을 고려해야 한다. 그러나 위치 기반 SNS 데이터를 활용하여 관광지와 사용자 간의 관계를 모델링하는 것의 어려움으로 관련 연구는 이제 시작 단계이다. 본 연구의 목적은 위치 기반 SNS 일종인 플리커 데이터를 활용하여 위치, 시간 정보뿐만 아니라 다양한 맥락정보를 포함하는 시맨틱 궤적과 GRU 모델에 기반한 개별 관광객의 다음 목적지를 예측하는 모델을 구축하는 것이다. 본 연구에서 사용한 시맨틱 궤적은 위치, 시간, 관광지 주변 POI 정보, 관광객이 본 관광지별 장소 이미지, 관광객이 게시한 사진 분석 결과를 포함한다. 시맨틱 궤적 정보를 활용하여 개별 관광객의 다음 위치 예측에 관광객 이동의 시공간 규칙성, 관광지 내에서 이루어지는 관광객의 활동 의미, 관광객의 개인적 선호 모두를 포함하도록 하였다. 이를 위해 먼저 궤적 데이터를 구축하였고, 관광객이 주로 방문하는 선호 관광지를 도출하였다. 관광객의 다음 목적지 예측모델은 임베딩 레이어, GRU 셀, 완전 연결 레이어, 소프트맥스 함수로 구성하였다. 궤적의 복합적인 맥락정보를 반영하기 위해 임베딩 레이어를 활용함으로써, 시맨틱 궤적을 임베딩 공간에 매핑하여 이를 네트워크의 후속 레이어에 공급될 수 있도록 하였다. 다음으로 관광객의 다양한 맥락정보를 반영한 집단 이동을 학습하기 위해 GRU 모델을 활용하였다. 궤적은 시퀀스 형태로 GRU 셀에 입력하였으며, 완전 연결 레이어와 소프트맥스 함수를 사용하여 다음 관광지를 예측하도록 하였다. 최종 모델의 성능은 top 1 정확도 0.703, top 5 정확도 0.802, F1-score 0.577이다. 본 연구는 학문적 측면에서 관광객의 다음 목적지에 영향을 미치는 시공간 규칙성, 관광지별 맥락정보, 관광객의 개인적 선호도 요인의 복합적인 상호 작용을 고려하였고, 궤적의 여러 정보를 하나의 궤적 속성으로 모델을 구축했다는 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. 서비스 제공을 위한 대비를 가능하도록 하여 관광객을 대상으로 직접적이고 효율적인 마케팅 전략을 구사하는 데 도움을 줄 수 있을 것이다. ;Location-based SNS can provide useful geographical information to users in the media environment and has high potential as a new means of communication and a tool for marketing by enabling personalized marketing at the same time. Moreover, location-based SNS can generate vast amounts of user trajectory data via spatial locations and timestamps of check-in. Unlike raw trajectories collected through GPS, which contains only spatio-temporal information, trajectories generated from location-based SNS are data that contain a variety of meanings, including rich information such as photos and text. Thus, location-based social networks are paving the way for new application research in various fields, such as place recommendation and spatio-temporal data mining. Also, next location prediction, the task of inferring where users will visit next based on past trajectories, has been considered an important component of various mobile computing applications. Since the movement of individual tourists is influenced by complex factors such as tourist destination information, user preferences as well as spatio-temporal information, complex factors other than spatio-temporal information should be considered for individual tourists' next destination prediction. However, with the difficulty of modeling the relationship between tourist attractions and users using location-based SNS data, relevant research is now in its infancy. The purpose of this study is to build a model that predicts the next destination of an individual tourist based on a GRU model and a semantic trajectory that includes spatio-temporal information as well as various contextual information using Flickr data, a type of location-based SNS. The semantic trajectory used in this study includes the location, time, POI information around the tourist destination, the image of each tourist destination seen by the tourist, and the analysis result of the photo posted by the tourist. Semantic information was utilized to include both the spatio-temporal regularity of tourist movement, the meaning of tourist activities within the tourist destination, and the tourist's personal preferences in predicting the next location of individual tourists. To this end, trajectory data were first processed, and popular tourist attractions were derived. The tourist's next destination prediction model consisted of an embedding layer, GRU cells, a fully connected layer, and a softmax function. By leveraging the embedding layer to reflect the complex contextual information of the trajectory, the study mapped the semantic trajectory to the embedding space so that it could be fed to subsequent layers of the network. Next, it utilized the GRU model to learn collective movement reflecting various contextual information of tourists. The trajectory was input into the GRU cell in the form of a sequence, and the next tourist destination was predicted using a fully connected layer and a softmax function. The performance of the final model was top 1 accuracy 0.703, top 5 accuracy 0.802, and F1-score 0.577. In academic terms, the study is meaningful in that it considered a combination of spatio-temporal regularity, contextual information for each tourist destination, and tourists' individual preferences factors affecting tourists' next destination, and built a model that considers the semantic trajectory as a single trajectory attribute. In terms of socio-economic aspects, it is valuable in that tourist services can be provided in advance to the appropriate place by identifying the destination where tourists will move through the tourist's next destination prediction model. It will help to implement a direct and efficient marketing strategy for tourists by enabling preparation for the provision of services.