<aside> 💡

데이터 활용해 행정동 경계가 아닌 의미있는 지역 클러스터를 만들어 음식점 추천에 사용하기

</aside>

⚠️ 지난 발표에 대한 피드백

• 각 h3셀에 단순한 음식점 수 이외의 다양한특성을 고려하지 못한 것
• 외부 데이터 사용

$\color{#123E59}\rule{400px}{5px}$

추가 특성 아이디어

<aside> ✅

이웃 셀이라도 이동이 어려운 경우를 찾아 1차 경계 만들기(필수!!)

</aside>

💡OSRM을 이용해서 셀과 셀 간의 이동시간 파악하기!

📍이동비용 기반 유사도(시간)와 이동 연결성

• 이동비용 기반 유사도: 셀과 셀 간의 엣지 정보

  → 실제로 가까운지 or 먼지

  • H3 이웃이라도 OSRM으로 구한 평균 이웃시간이 크면 유사도(엣지)는 작아짐

  • e.g.

    • 바로 옆 H3셀이지만, 한강 끼고 다리 돌아야 함
    • 두 칸 떨어졌지만 대로로 인해 시간 단축

    → 이웃인 거랑 실제로 가기 쉬운 건 다르므로 거리 기반 유사도가 차이를 수치화해줌!

• 이동 연결성: 셀 노드 정보

  • 주변이랑 얼마나 잘 이동이 가능한지(셀 자체의 접근성 요약, 우선 보조적으로 사용)

  → 고립되어 있으면 메인 클러스터에 위치하게 두기 애매

➡️ 그래프 기반 클러스터링(스펠트럴, Louvain 등)을 할 거라면 엣지=유사도, 노드=연결성 피처로 넣는 것이 효과적

• 🔍OSRM(Open Source Routing Machine)
• 🔍OSRM으로 H3과 H3셀 간 이동시간과 거리 매트릭스 뽑기
• 🛠️ 대략적인 파이프라인

<aside> ✅

1차 경계에 사람들의 실제 이동 흐름을 반영해 보완하기

</aside>

💡시퀀스를 이용할수 없기 때문에 공방문 신호를 이용해 사용자가 일정 기간 안에 둘 다 방문했다고 간주하기!

📍사용자 방문 신호(User visit signals): 사용자가 일정 기간 여러 장소를 방문한 기록을 이용해서 장소 간 행동적 연관성 수치화

• 사용자 행동 시퀀스 패턴(User Sequence Patterns): 데이터로부터 사용자 이동 경로나 연속된 방문 패턴을 추출
  • 전이: 유저의 방문 시퀀스에서의 방향성 있는 이벤트
    • e.g. 셀 i 방문 후 셀 j를 방문