Global Positioning System (GPS) 데이터를 기반으로 한 이동 패턴 분석은 보안, 물류, 그리고 위치 기반 서비스 등 다양한 분야에서 중요한 역할을 차지하고 있다. 특히 스마트 워치와 같은 웨어러블 장치가 신변 보호 용도로 상용화되고 있으며, 이는 사용자의 위치를 신속하게 파악할 수 있는 장점이 있다. 하지만 여러 명의 사용자 정보가 포함된 GPS 데이터를 중앙시스템에서 관리할 경우 개인정보 침해의 우려가 있다. 따라서 신변 보호 시스템의 일환으로 GPS 데이터를 사용할 때 사용자의 식별 정보를 요구하지 않으며 익명성을 보호하는 효과적인 이상 감지 알고리즘이 필요하다. 또한 위치 정보만을 이용한 지리적 이상 감지는 Geofencing (Nam et al. 2023, Shevchenko & Reips 2024)과 같은 기존 기술로도 효과적인 감지가 가능하지만, 본 논문에서는 시간적 경로 이탈 및 복합적 시공간 이상 감지를 위해 Long Short-Term Memory (LSTM) (Hwang & Shin 2020, Ji et al. 2020, Kim et al. 2021, Yoon et al. 2022, Shin et al. 2024) 기반 모델을 활용한다.

GPS 데이터는 Time-series data 즉 시간순으로 관측된 데이터로, 이전 정보와 현재 정보가 다음 정보에 영향을 미친다. 시계열 데이터를 처리하는 모델은 목적에 따라 Recurrent Neural Networks (RNN), Convolutional Neural Networks (CNN), Transformer, Clustering 및 Classification Model, 혹은 Survival Analysis Model 등 다양하게 존재한다. 그 중에서 순차적인 데이터를 처리하고 예측하는데 효과적인 RNN 유형의 LSTM 모델을 통해 연구를 진행한다. LSTM은 기존의 순환 신경망이 가진 Long-Term Dependency (장기 의존성 문제, 현재 정보로부터 멀리 떨어진 과거 정보를 오랫동안 기억할 수 없다는 한계)를 보완한 모델로, 과거 정보를 비교적 오랫동안 기억할 수 있다. 따라서 본 연구에서는 과거 정보와 현재 정보를 바탕으로 미래 정보를 예측하는 LSTM이 적합하다.

기존의 GPS 기반 이동 패턴 연구에는 대표적으로 Geofencing, Trajectory Generation Using Generative Adversarial (TrajGAN) (Rao et al. 2020), DeepMove (Zhou & Huang 2018), Spatio-Temporal Residual Network (ST-ResNet) (Zhang et al. 2017), 이외에 앙상블 (Lee et al. 2023) 및 클러스터링 기법 (Lan & Yoon 2023) 등이 있다. Geofencing은 가상의 경계를 미리 설정하여 그 경계 주변에서 발생하는 단순 위치 이탈을 감지한다. TrajGAN은 Generative Adversarial Networks (GAN)을 통해 GPS 데이터 기반 가상 이동 패턴을 생성해 데이터 부족 문제를 해결하고 다양한 패턴을 학습한다. DeepMove는 LSTM과 어텐션 매커니즘을 결합하여 사용자의 장단기 이동 패턴을 학습 및 예측하는 모델로, 주로 사용자의 GPS 데이터와 사용자 활동 로그, 그리고 기타 보조 데이터를 활용한다. ST-ResNet은 다양한 데이터를 바탕으로 CNN과 잔차 네트워크를 통해 시공간 관계를 분석하며 교통량 예측에 특화되어 있다. 이 외에도 GPS를 클러스터링 하여 이동 패턴을 분석하여 사람의 이동에서 이상을 감지하거나 여러 LSTM 모델을 조합하여 이상 감지 정확도를 높이는 앙상블 기법이 활용된다.

그러나 기존의 연구는 시공간 정보를 통합하여 실시간으로 이상을 감지하거나, 사용자의 이동 패턴 이상을 감지하는 데 한계가 있다. Geofencing은 설정 경계를 기준으로 단순한 위치 이탈을 감지할 수 있지만 복잡한 패턴이나 시간적 정보를 고려하여 위치 이탈을 감지하지 않는다. DeepMove의 경우 장-단기 이동 예측에는 높은 성능을 보이지만 시간과 공간을 모두 고려한 복합적 데이터에 대한 이상 감지에는 제약이 있다. ST-ResNet은 교통 예측에 특화된 모델로 개인 사용자의 이동 패턴을 분석하고 이상을 효과적으로 감지하기 어렵다. 클러스터링과 앙상블 기법을 활용한 연구는 시간에 따른 예측에서 제한적이며, 긴 학습 시간과 높은 계산 비용이 가장 큰 문제점이라 볼 수 있다. 즉, 기존 연구에서는 사용자의 이동 패턴을 시공간 변화에 따라 분석하고 이상을 실시간으로 감지하는 접근이 충분하지 않다.

본 연구에서는 추가적인 식별자를 데이터셋에 포함하지 않고도 여러 사용자의 이동 데이터를 하나로 통합하여 단일 LSTM 모델을 학습시킨다. 이는 사용자의 데이터를 익명성을 유지한 상태에서 모델이 학습 및 추론할 수 있도록 설계되었다는 점에서 기존 연구와 차별화된다. 기존 연구에서는 개별 식별자를 기반으로 데이터를 분류하여 학습하는 경우가 많았다. 예를 들어, Geofencing은 특정 위치로부터 가상의 경계를 설계할 때 사용자별로 특정 위치 정보를 요구하며, TrajGAN과 DeepMove에서는 학습 데이터를 특정 식별자(ID)를 통해 구분하여 모델을 학습한다. 반면, 본 연구는 다수 사용자의 데이터를 하나의 LSTM 모델로 통합하여 학습하고, 이를 통해 일반화된 이상 감지 알고리즘을 제안한다. 이는 사용자가 개별 식별 정보를 노출하지 않고도 단일 모델을 활용하여 이상 감지 서비스를 제공할 수 있는 기반을 마련한다.

또한 이상 감지 알고리즘에서 시간 오차 지표(
m
T
)를 활용한 점에서 기존 연구와 차별점을 가진다. 기존의 이상 감지 연구는 주로 위치 오차 지표를 기반으로 이상 경로를 감지하거나 단순한 지리적 이탈에 중점을 두었다. 반면, 본 연구에서는 시간과 공간 데이터를 결합하여 ‘특정 시간에 특정 좌표에 위치해야 할 사용자가 예상 시간과 공간에서 벗어나는 경우’를 이상 경로로 정의한다. 이를 통해 모델은 시간과 공간을 상호 연관적으로 학습하며, 실시간으로 이상 여부를 감지할 수 있는 기능을 갖추게 된다.

아울러 가상 경로와 실제 경로 데이터를 결합하여 다양한 상황에서 발생할 수 있는 경로를 포괄적으로 학습한다. 이러한 접근은 예상된 시간과 위치에 기반한 비정상적인 이동 패턴을 효과적으로 탐지할 수 있으며, 특히 신변보호 대상자와 같은 민감한 상황에 처한 사용자를 위한 실시간 이상 감지 서비스의 가능성을 제시한다.

본 논문은 2장에서 익명의 사용자 이동 패턴 학습과 가상 경로 데이터를 설명하고, 3장에서는 모델 구조 및 학습 데이터 구조를 서술한 뒤, 모델 추론 결과를 기반으로 이상 감지 알고리즘에 대해 정의하였다. 4장은 실험 환경과 결과를 기술하고, 5장에서 결론을 맺는다.