Exploring Effectiveness of Spatial Features for Incorporating Spatial Data into Machine Learning
Hyeongmo Koo, Musang Yoo, Hyunil Seo, Sungjae Park · Journal of the Korean Society of Surveying Geodesy Photogrammetry and Cartography · 2024
공간 데이터는 공간적 자기상관과 같은 고유한 특성을 가지며, 기계학습을 공간 데이터에 적용 시 공간적 자기상관을 고려하지 않으면 기계학습의 예측 정확도 하락과 같은 부정적 결과를 일으킨다. 본 연구는 기계학습에 공간적 특성을 명시적으로 포함하는 방법인 공간적 변수의 투입이 기계학습의 예측 정확도 향상에 미치는 영향을 탐색한다. 나아가 공간적 변수 유형과 기계학습 모형 간의 유용성 차이를 비교하고자 한다. 사용된 공간적 변수의 유형은 공간 좌표, 공간 지체 그리고 모런 고유벡터 공간 필터이며, 기계학습 기법은 선형회귀모형, 일반화가법모형, 랜덤포레스트, 서포트벡터머신이다. 강한 양의 공간적 자기상관이 있는 서울시 아파트 매매가격을 반응변수로 사용하였고, 속성적 변수와 공간적 변수를 결합하여 예측모형을 설계하였다. 본 연구의 결과 훈련데이터와 검증데이터 모두에서 선형회귀모형, 일반화가법모형, 그리고 랜덤포레스트는 공간 지체, 서포트벡터머신은 공간 좌표가 가장 높은 예측 정확도 상승을 보였다. 모형 간 비교에서는 랜덤포레스트와 공간 지체를 결합한 모형이 가장 높은 정확도를 보였으며, 일반적으로 공간적 변수의 활용이 기계학습 모형의 예측 정확도 향상에 기여함을 확인하였다. 본 연구는 다양한 형태의 공간적 변수의 구성 방법을 정리·제시하고, 기계학습 모형별 변수 선택 방법과 결합하여 공간적 변수의 활용도를 높였다는 점에서 공간 기계학습 발전의 기초 연구로 활용할 수 있을 것으로 기대한다.