arXiv:2606.17939v1 stat.AP

개인 지하철 이용의 장기 역학 이해: 생존 분석을 결합한 은닉 반마르코프 상태 프레임워크

Understanding Long-Term Dynamics of Individual Metro Usage: A Hidden Semi-Markov State Framework with Survival Analysis

Bingxun Wang, Valeria Maria Urbano, Shan He, Yang Chen, Wei Liu, Zhibin Jiang, Piercesare Secchi

제출 2026-06-16

한국어 초록

다년간의 기간에 걸쳐 개인 지하철 이용이 어떻게 변화하는지 이해하는 것은 대중교통 계획과 승객 유지에 필수적이다. 그러나 기존 접근법은 보통 이동성 패턴을 정적 군집이나 단기 변동성으로 특성화하여, 대중교통 참여의 수명 주기 역학을 잘 탐구되지 않은 상태로 남겨두었다. 본 연구는 개인 지하철 이동성의 변화 양상을 특성화하기 위해 은닉 반마르코프 모델(HSMM)과 이산 시간 생존 분석을 통합한 상태 기반 수명 주기 모델링 프레임워크를 제안한다. HSMM은 체제 변화를 지배하는 전이 행렬과 명시적 지속 시간 분포를 통해 잠재 이동성 상태를 추론하는 반면, 생존 구성 요소는 이동성 상태 궤적과 행동 이력에 조건화된 상태 의존적 위험 함수를 통해 이탈 및 재진입 사건을 모델링한다. 상하이 지하철 시스템(2021-2024)의 4년 치 스마트 카드 데이터에 적용된 결과, 이 프레임워크는 해석 가능한 이동성 상태 식별, 전이 역학의 특성화, 그리고 상태 의존적 이탈 및 재진입 과정의 정량화를 가능하게 한다. 분석 결과 간헐적 이용 게이트웨이 상태를 중심으로 하는 방향성 전이 계층 구조를 가진 5가지의 견고한 이동성 상태가 드러났으며, 이탈과 복귀를 지배하는 근본적으로 다른 시간적 메커니즘이 확인되었다: 이탈 위험은 상태 의존적이지만 지속 시간 독립적인 반면, 재진입 위험은 비활동 기간이 길어짐에 따라 급격히 감소한다. 이러한 발견은 수명 주기 지향 이동성 분석을 위한 방법론적 기초를 제공하며, 대중교통 운영자가 위험에 처한 사용자를 식별하고 유지 개입의 시점을 결정하기 위한 실질적인 지침을 제공한다.

원문 초록

Understanding how individual metro usage evolves over multi-year horizons is essential for transit planning and passenger retention. However, existing approaches typically characterize mobility patterns as static clusters or short-term variability, leaving the lifecycle dynamics of transit participation underexplored. This study proposes a state-based lifecycle modeling framework that integrates Hidden Semi-Markov Models (HSMM) with discrete-time survival analysis to characterize the evolution of individual metro mobility. The HSMM infers latent mobility states with explicit duration distributions and a transition matrix governing regime changes, while the survival component models exit and re-entry events via state-dependent hazard functions conditioned on mobility-state trajectories and behavioral history. Applied to four years of smart card data from the Shanghai metro system (2021-2024), the framework enables the identification of interpretable mobility states, the characterization of transition dynamics, and the quantification of state-dependent exit and re-entry processes. The analysis reveals five robust mobility states with a directional transition hierarchy centered on an occasional-usage gateway state, and fundamentally different temporal mechanisms governing disengagement and return: exit hazard is state-dependent but duration-independent, whereas re-entry hazard decays sharply with inactivity length. These findings provide a methodological foundation for lifecycle-oriented mobility analysis and practical guidance for transit operators to identify at-risk users and time retention interventions.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.17939v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.14190v1cs.LG공통 태그 Clustering, Time Series Analysis, Survival Analysis

ALS 진행 및 의료 서비스 이용 예측을 위한 시간적 머신러닝 기반 시간-이벤트 모델

A Temporal Machine Learning-Based Time-to-Event Model for Predicting ALS Progression and Healthcare Utilization

근위축성측索경화증(ALS)은 진행성이며 이질적인 신경퇴행성 질환으로, 보조 기기 사용과 같은 임상적으로 의미 있는 이정표를 예측하는 것은 여전히 어렵다. 우리는 종단적 ALS 기능 평가 척도-개정판(ALSFRS-R) 궤적과 생존 모델링(survival modeling)을 통합하여 기능 저하와 보조 기기 이용에 대한 개인화된 예측을 지원하는 시간-이벤트(time-to-event), 디지털 트윈(digital twin) 영감의 프레임워크를 개발했다. 진단 기록, ALSFRS-R 평가, 일상생활 활동, 인구통계학적 정보를 통합하여 조화된 종단 데이터셋을 구축한 뒤, 데이터 품질, 시간적 정렬, 코호트 일관성을 보장하기 위한 전처리를 수행했다. 상관 기반 클러스터링은 연하, 상지, 체간, 하지, 호흡계에 걸친 일관된 기능 영역을 식별했다. 일반화 가법 혼합 모델(generalized additive mixed models)은 모든 영역에서 비선형적이고 영역 특이적인 기능 저하를 특성화했다. 또한 종단적 기능 저하를 예측하고 단계 의존적 질병 진행을 포착하기 위해 시간적 머신러닝 모델을 개발했다. Cox 비례 위험 모델링(Cox proportional hazards modeling)은 또한 하지 기능, 특히 보행과 계단 오르기를 더 이른 휠체어 사용의 가장 강력한 예측 변수로 식별했다. 이러한 결과를 바탕으로, 개인화된 생존 곡선을 생성하고 휠체어 없이 생존하는 기간을 동적으로 예측하는 디지털 트윈 영감의 시간적 머신러닝 기반 시간-이벤트(TTE) 모델을 구현했다. 이 프레임워크는 ALS 진행을 개인화된 의사결정 지원과 연결하는 확장 가능하고 해석 가능하며 임상적으로 실행 가능한 접근법을 제공하며, 선제적 돌봄 계획, 임상시험 층화, 정밀 의학(precision medicine)에 적용할 수 있다.

arXiv:2609.24223v1cs.CV공통 태그 Clustering, Time Series Analysis

DiaSeg: 해석 가능한 보행 분석을 위한 DTW 경로에서의 대각 세그먼트 추출

DiaSeg: Diagonal Segment Extraction from DTW Paths for Interpretable Gait Analysis

동적 시간 워핑(Dynamic Time Warping, DTW)은 시계열 간 유사도를 측정하는 데 지배적으로 사용되는 방법이지만, 표준적인 방식은 단일 거리 값을 계산한 후 최적 워핑 경로를 폐기함으로써 임상 진단과 가장 관련이 깊은 지역적 정렬 정보를 잃는다. 본 논문은 제어된 단절을 허용하며 DTW 경로에서 대각 세그먼트를 추출하는 프레임워크인 DiaSeg를 소개한다. DiaSeg는 각 세그먼트를 다섯 가지 기하학적 특징(유효 길이, 단절 횟수, 비용 변동, 시간적 위치, 경로 맥락)으로 특성화하며, 도메인 특화 특징 공학(feature engineering) 없이 비지도 패턴 발견을 가능하게 한다. 6가지 임상 상태(건강한 노화, 파킨슨병, 헌팅턴병, 근위축성 측삭경화증(ALS), 뇌종양, 뇌졸중)에 걸친 91명의 피험자를 대상으로 검증한 결과, 세 가지 결과가 도출되었다. 첫째, 대각 세그먼트는 생체역학적 단계 주석과 일치하는 일관된 비지도 패턴을 형성하며(실루엣 계수 0.33), 레이블 기반 검증을 통해 건강한 보행과 병리적 보행 간 거의 완벽한 분리를 확인하였다(조정 랜드 지수(ARI) 최대 0.986). 둘째, 세그먼트는 지도 학습에서 69%, 환자 수준 클러스터링에서 75%의 정확도로 병리를 구분하며, 병리는 세그먼트 길이의 분포적 변화를 통해 나타난다. 세그먼트 특징과 주기(cycle) 수준 특징을 결합하면 분류(classification) 정확도가 91.7%까지 향상된다. 셋째, 주기 기반 방법이 더 높은 정확도(91%)를 달성하지만, 대각 세그먼트는 전역적 표현으로는 얻을 수 없는 단계별 해석 가능성을 제공하여 보행 주기 내에서 협응이 무너지는 위치를 국소화할 수 있다. 이처럼 DiaSeg는 DTW를 블랙박스 거리 척도에서 신경퇴행성 질환 평가를 위한 해석 가능한 시간적 특징의 원천으로 전환한다.

arXiv:2607.21088v1cs.LG공통 태그 Clustering, Time Series Analysis

CASC: 다변량 시공간 데이터를 위한 인과적 적대적 부분공간 클러스터링

CASC: Causal Adversarial Subspace Clustering for Multivariate Spatiotemporal Data

깊은 부분공간 클러스터링(deep subspace clustering)은 해빙 모니터링, 질병 확산 분석, 시간에 따른 신경 퇴행 추적 등 다변량 시공간 데이터를 다루는 응용에서 중요한 역할을 한다. 최근의 발전에도 불구하고, 기존 방법은 주로 기하학적 자기표현성(self-expressiveness)에 의존하며 정적인 부분공간 구조를 가정하고, 복잡한 시공간 시스템에 내재된 인과적 의존성, 국소적 공간 상호작용, 장거리 시간 역학을 포착하지 못하는 경우가 많다. 이러한 한계를 해결하기 위해, 고차원 시공간 데이터에서 진화하는 잠재 체제(latent regime)를 발견하기 위한 새로운 인과적 적대적 부분공간 클러스터링(CASC) 프레임워크를 제안한다. CASC는 공간 및 시간 구조를 보존하면서 강건한 잠재 표현을 학습하기 위해 U-Net에서 영감을 받은 깊은 적대적 클러스터링 아키텍처와 적층 FAConvLSTM 레이어를 통합한다. 국소적 공간 관계, 전역적 의존성, 장거리 시간 상호작용을 공동으로 모델링하기 위해 그래프 어텐션 트랜스포머 기반 자기표현 네트워크를 도입한다. 또한 두 가지 새로운 학습 목표를 제안한다: (1) 자기표현 계수를 잠재 인과 관계와 정렬하여 클러스터가 단순한 특징 유사성이 아닌 근본적인 인과 과정을 반영하도록 유도하는 인과적 부분공간 보존 손실(Causal Subspace Preservation Loss), (2) 비정상(nonstationary) 환경에서 진화하는 부분공간 구조와 시간적 체제 전환을 포착하는 동적 시간 부분공간 진화 손실(Dynamic Temporal Subspace Evolution Loss). 이러한 구성 요소들은 함께 깊은 부분공간 클러스터링을 상관관계 중심 패러다임에서 인과-시간 체제 발견 프레임워크로 전환한다.

arXiv:2607.13984v1stat.ML공통 태그 Time Series Analysis, Survival Analysis

종단 및 time-to-event 공동 모델링을 위한 다중양 경험적 베이즈 변분 오토인코더

Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling

종단 종양 측정치, 중도 탈락 정보, 유전 공변량은 치료 반응에 대한 상보적 정보를 제공하지만, 이러한 데이터 소스를 단일 모집단 모델링 프레임워크 내에서 통합하는 것은 여전히 어렵다. 본 연구는 경험적 베이즈 변분 오토인코더(EB-VAE) 프레임워크를 종단 및 time-to-event 공동 모델링으로 확장하고 종양 성장 데이터에서 이를 평가했다. 이 프레임워크는 공변량 조건 경험적 베이즈 사전분포에 의해 정규화된 잠재 개인 효과를 사용해 개인 간 변이성을 표현하며, 디코더가 이러한 잠재 효과를 종양 부피 궤적으로 매핑한다. 정보성 중도 탈락(informative dropout)을 반영하기 위해 디코더에 위험도 모델을 추가하여 종양 성장과 탈락까지의 시간에 대한 공동 예측을 생성했다. 또한 완전 신경망형과 하이브리드 반-기계론적 디코더 공식화를 비교했으며, 유전체 공변량을 유전체 조건 사전분포 적응을 통해 통합했다. 하이브리드 디코더는 신경망 디코더에 필적하는 사전 예측 성능을 달성하면서, 이전에 보고된 비선형 혼합효과 추정치와 대체로 일치하는 치료 효과 매개변수를 복원했다. 공동 모델은 홀드아웃 개체에서 종양 부피 분포와 탈락 패턴을 모두 재현했으며, 유전체 조건화는 피부 흑색종 및 유방암 실험 모두에서 개인 수준 사전 예측을 개선했다. 안정성 선택(stability selection)은 BRAF, NRAS, NF1, MDM2의 변이를 포함해 여러 생물학적으로 타당한 유전 지표를 식별했다. 이러한 결과는 EB-VAE가 약력학적 응용에서 신경 동역학, 기계론적 구조, time-to-event 모델링, 고차원 공변량을 결합하는 유연한 확률적 프레임워크를 제공함을 보여준다.

arXiv:2607.13544v1cs.LG공통 태그 Clustering, Time Series Analysis

다변량 풍력 발전단 SCADA 데이터 필터링을 위한 군집 알고리즘

Clustering algorithms for multivariate wind farm SCADA data filtering

풍력 발전단 운전 중 감시 제어 및 데이터 수집(Supervisory Control and Data Acquisition, SCADA) 시스템은 수많은 이상(anomaly), 과도현상(transient), 특정 운전 모드를 기록하여 대규모 데이터셋을 생성한다. 그러나 다양한 응용 분야에서는 정상 운전에 해당하는 측정값만 필요하므로 SCADA 데이터를 필터링해야 한다. 이를 위해 전문가가 데이터를 시각적으로 검토하여 수행하는 수동 필터링을 자동화하고 대체하기 위한 여러 방법이 제안되었다. 본 논문에서는 수동 필터링과 여러 군집 알고리즘의 필터링 정확도를 비교하고, 라벨이 없는 데이터에 적합하며 잠재적 응용 분야 전반에 걸쳐 견고한 평가(evaluation) 지표를 도입한다. 결과를 바탕으로 서로 다른 데이터셋에 모델 보정을 일반화하는 방안에 대한 권고사항을 제시하고, 각 모델의 잠재적 활용 사례를 논의한다. 모델은 기존 해상 풍력 발전단의 3개 터빈 SCADA 데이터에 여러 데이터 채널에 걸친 10분 통계치를 사용하여 적용하였다. 일반적으로 기록되는 이상 및 운전 모드 외에도, 데이터셋은 여러 현장 시험(field test)으로 인해 뚜렷하지 않은(non-evident) 이상치(outlier)가 다수 존재한다. 전반적으로 결과는 특징 선택과 평가 지표 설계 모두에서 출력 곡선(power curve)을 넘어 분석을 확장하는 것의 중요성을 강조한다. 대부분의 경우 군집 기반 방법은 뚜렷한 이상치와 미묘한 이상치를 모두 검출할 수 있으며, 수동 필터링보다 높은 정확도를 달성한다. 그러나 정확도와 보존되는 데이터의 양은 모델에 따라 상당히 달라지며, 수동 필터링에 비해 줄어들긴 하지만 전문가의 개입은 여전히 필요하다.

arXiv:2607.12748v1cs.CV공통 태그 Clustering, Time Series Analysis

계절 위성 영상으로부터 낙농장 부지의 약지도 시공간 후보 발견

Weakly Supervised Spatio-Temporal Candidate Discovery of Dairy Farm Sites from Seasonal Satellite Imagery

위성 영상으로부터 농장 부지를 발견하는 문제는 목초지, 경작지 경계, 도로, 건물, 계절적 식생 패턴에 걸친 농장 증거가 분산되어 있기 때문에 시공간 후보 순위 문제이다. 농장 라벨이 종종 불완전하여 완전 지도 검출이 어렵다. 본 논문은 계절 Sentinel 영상과 공개 지도 사전 정보를 이용해 낙농장 후보 군집을 순위화하는 약지도 파이프라인을 제안한다. 이 방법은 아일랜드 코크 주의 봄, 여름, 가을에 정렬된 영상 타일을 사용하며, 스펙트럼 밴드, 식생 지수, 건축 지역 지수, 목초지 채널을 포함한다. Barlow Twins 인코더는 농장 라벨 없이 다계절 타일 임베딩을 학습한다. 병렬로, 약한 OpenStreetMap 농장 사전 정보를 사전 정보와 보류 평가셋으로 분할한다. 사전 정보 특징은 농장 근접성, 계절적 목초지 증거, 여름 녹색도를 결합한 규칙 기반 타일 점수를 지원하며, 보류 평가셋 특징은 프록시 평가에만 사용된다. 규칙 점수는 지리적 근접성과 임베딩 유사도를 이용한 공간 표현 그래프에서 평활화되며, 고득점 타일이 순위화된 후보 군집으로 그룹화된다. 26,722개의 유효 타일 중 주 실행은 535개의 고신뢰도 타일을 선별하여 71개의 후보 군집을 형성한다. 상위 5개 군집은 보류 OpenStreetMap 농장 특징으로부터 500m 이내에서 0.60의 정밀도, 1000m 이내에서 0.80의 정밀도를 달성한다. 상위 10개 군집은 500m 이내에서 0.40의 정밀도, 1000m 이내에서 0.80의 정밀도를 달성한다. 결과는 계절 표현 학습과 약한 지리적 사전 정보가 대규모 위성 영상 컬렉션을 인간 검토를 위한 소형 후보 집합으로 축소할 수 있음을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.