지역 차분 프라이버시를 이용한 프라이버시 보존 교통량 예측
Privacy-Preserving Traffic Volume Estimation by Leveraging Local Differential Privacy
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 지역 차분 프라이버시(Local Differential Privacy, LDP) 기법을 이용하여 프라이버시를 보호하면서 수집한 차량 위치 데이터와 딥러닝 기법을 이용하여 교통량을 예측하기 위한 기법을 제시한다. 제시한 기법은 데이터를 수집하는 과정과 수집한 데이터를 이용하여 교통량을 예측하는 과정으로 구성된다. 첫 번째 단계에서는 데이터 수집 과정 중에 발생할 수 있는 프라이버시 침해 문제를 해결하기 위해 LDP 기법을 적용하여 차량의 위치 데이터를 수집한다. LDP 기법은 데이터 수집 시 원본 데이터에 노이즈를 추가해 사용자의 민감한 데이터가 외부에 노출되는것을 방지한다. 이를 통해 운전자의 프라이버시를 보존하면서 차량의 위치 데이터를 수집할 수있다. 두 번째 단계에서는 첫 번째 단계에서 수집한 데이터에 딥러닝 기법을 적용하여, 교통량을예측한다. 또한, 본 논문에서 제안한 기법의 우수성을 입증하기 위해, 실데이터를 이용한 성능 평가를 진행한다. 성능 평가 결과는 본 논문에서 제안한 기법이 사용자의 프라이버시를 보호하면서수집된 데이터를 이용하여 효과적으로 교통량을 예측할 수 있음을 입증한다.
Abstract
In this paper, we present a method for effectively predicting traffic volume based on vehicle location data that are collected by using LDP (Local Differential Privacy). The proposed solution in this paper consists of two phases: the process of collecting vehicle location data in a privacy-presering manner and the process of predicting traffic volume using the collected location data. In the first phase, the vehicle’s location data is collected by using LDP to prevent privacy issues that may arise during the data collection process. LDP adds random noise to the original data when collecting data to prevent the data owner’s sensitive information from being exposed to the outside. This allows the collection of vehicle location data, while preserving the driver’s privacy. In the second phase, the traffic volume is predicted by applying deep learning techniques to the data collected in the first stage. Experimental results with real data sets demonstrate that the method proposed in this paper can effectively predict the traffic volume using the location data that are collected in a privacy-preserving manner.
참고문헌 (29)
- N. Lu, "Connected vehicles : Solutions and challenges", IEEE internet of things journal, 1(4), pp.289~299 (2014)
- F. Yang, "An overview of internet of vehicles", China communications, 11(10), pp.1~15 (2014)
- "Ministry of Land, Infrastructure and Transport, Automobile Operation Insurance Division"[URL]
- J. W. Kim, "A Survey of Differential Privacy-based Techniques and their Applicability to Location-Based Services", Computers and Security (2021)
- J. W. Kim, "Effective privacy-preserving collection of health data from a user’s wearable device", Applied Sciences (2020)
- J. W. Kim, "Workload-aware indoor positioning data collection via local differential privacy", IEEE Communications Letters, 23(8), pp.1352~1356 (2019)
- J. W. Kim, "Collecting health lifelog data from smartwatch users in a privacy-preserving manner", IEEE Transactions on Consumer Electronics, 65(3), pp.369~378 (2019)
- N. K. Jain, "A review on traffic monitoring system techniques", Soft Computing : Theories and Applications. Springer, Singapore, pp.569~577 (2019)
- H. Feng, "Study on network traffic prediction techniques", Proceedings. 2005 International Conference on Wireless Communications, Networking and Mobile Computing, 2005., IEEE, Vol. 2, 2, pp.1041~1044 (2005)
- H. Yao, "Revisiting spatial-temporal similarity : A deep learning framework for traffic prediction", Proceedings of the AAAI conference on artificial intelligence, 33(01), pp.5668~5675 (2019)
- A. M. Nagy, "Survey on traffic prediction in smart cities", Pervasive and Mobile Computing, 50, pp.148~163 (2018)
- J. Z. Zhu, "Traffic volume forecasting based on radial basis function neural network with the consideration of traffic flows at the adjacent intersections", Transportation Research Part C : Emerging Technologies, 47, pp.139~154 (2014)
- M. Moniruzzaman, "Short-term prediction of border crossing time and traffic volume for commercial trucks : A case study for the Ambassador Bridge", Transportation Research Part C : Emerging Technologies, 63, pp.182~194 (2016)
- X. Yin, "A comprehensive survey on traffic prediction", arXiv preprint arXiv:2004.08555 Apr. 2020., ~ (2020)
- C. Dwork, "International Colloquium on Automata, Languages, and Programming" (2006), Springer
- T. T. Nguyên, "Collecting and analyzing data from smart device users with local differential privacy", arXiv preprint arXiv:1606.05053, ~ (2016)
- 문수미, "스마트밴드를 이용한 프라이버시 보존 건강 데이터 수집 방법", 한국컴퓨터정보학회논문지, 25(4), pp.113~121 (2020), 한국컴퓨터정보학회[DOI]
- 문수미, "웨어러블 기기 환경에서 특징 점 추출 기법을 통해 프라이버시 보존 건강 데이터를 수집하는 방법", 한국컴퓨터정보학회논문지, 25(10), pp.59~67 (2020), 한국컴퓨터정보학회[DOI]
- 임종현, "포그-클라우드 컴퓨팅 환경에서의 프라이버시 보존 IoT 데이터 수집 기법", 한국컴퓨터정보학회논문지, 24(9), pp.43~49 (2019), 한국컴퓨터정보학회[DOI]
- 임종현, "분산 차분 프라이버시를 통한 프라이버시 보존 환경에서의 IoT 데이터 수집 방법", 한국컴퓨터정보학회논문지, 25(6), pp.65~72 (2020), 한국컴퓨터정보학회[DOI]
- P. C. M. Arachchige, "Local differential privacy for deep learning", IEEE Internet of Things Journal, 7(7), pp.5827~5842 (2019)
- T. Mikolov, "Recurrent neural network based language model", Interspeech, 2(3), pp.1045~1048 (2010)
- S. Hochreiter, "Long short-term memory", Neural computation, 9(8), pp.1735~1780 (1997)
- H. Sak, "Long short-term memory recurrent neural network architectures for large scale acoustic modeling" (2014)
- "Seoul Metropolitan Government"[URL]
- M. Abadi, "Tensorflow: A system for large-scale machine learning", 12th {USENIX} symposium on operating systems design and implementation ({OSDI} 16) (2016)
- D. P. Kingma, "Adam: A method for stochastic optimization", arXiv preprint arXiv:1412.6980, ~ (2014)
- C. J. Willmott, "Advantages of the mean absolute error(MAE)over the root mean square error(RMSE)in assessing average model performance", Climate research, 30(1), pp.79~82 (2005)
- T. Chai, "Root mean square error (RMSE)or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature", Geoscientific model development, 7(3), pp.1247~1250 (2014)