여행 목적지 예측을 위한 간단한 규칙 기반 방문 순회 접근 방식

An Embarrassingly Simple Rule-based Visiting Circulation Approach to Trip Destination Prediction

본 논문에서는 IEEE 빅데이터 컵 2022의 여행 목적지 예측 과제를 해결하기 위해 규칙 기반 방문 순회 (RVC) 모델을 제안합니다. 주어진 데이터는 여행 정보, 개인 속성, 출발 지역 및 해당 지역의 특징 데이터를 포함하며, 학습 단계에서 제공되지 않은 특정 대도시 지역의 모든 여행에 대한 목적지를 예측하는 것이 목표입니다. 본 연구에서는 이러한 목적지 예측 과제에서 발생하는 어려움, 즉 대상 대도시 지역의 목적지에 대한 사전 지식이 없다는 점을 강조합니다. 데이터셋 분석 결과, 방문 재이용 행동과 출발지와 목적지의 관계가 개인의 여행 패턴에서 중요한 역할을 한다는 것을 확인했습니다. 따라서, 우리는 출발 정보와 개인의 여행 행동을 직접 활용하여 대상 대도시 지역의 목적지를 결정하는 간단하지만 포괄적인 방법인 규칙 기반 방문 순회 (RVC)를 설계했습니다. 즉, 4개의 학습 영역에서의 학습 없이도 적용 가능합니다. 오프라인 평가 및 리더보드 제출 결과를 통해 제안된 RVC 모델이 지도 학습 방법 및 기타 휴리스틱 방법보다 훨씬 우수한 성능을 보이는 것을 확인했습니다. 결과적으로, RVC 방법은 대회 리더보드에서 2위를 차지하는 데 기여했습니다.

In this paper, we propose the Rule-based Visiting Circulation (RVC) model in tackling the challenge in the IEEE Big Data Cup 2022: Trip Destination Prediction. Given trips containing travel information, personal attributes, origin zones, and their features in the training metropolitan areas, the task is to predict the destination of every trip in a targeted metropolitan area whose destinations are not given at all at the training stage. We highlight the challenges in this destination prediction task -- having no knowledge of the destinations in the targeted metropolitan area. We provide insights from the datasets, in which revisiting behaviors and the relationships between origins and destinations play a crucial role in individuals' trips. Hence, we design a simple but comprehensive method, rule-based visiting circulation, which directly utilizes the origin information and individuals' trip behaviors to determine the destinations in the targeted metropolitan area, i.e., requiring no learning from the four training areas. Experimental results on both offline evaluation and leaderboard submission consistently exhibit the proposed RVC can significantly outperform supervised learning methods and other heuristics. The RVC method eventually brings us to second place in the competition leaderboard.