基于设备端上下文数据细粒度人类移动预测的系统性分析
社会与信息网络
2019-01-30 v1
摘要
用户移动预测被广泛认为有助于移动设备上各类基于位置的服务。大量研究探索了不同算法，以根据用户当前与历史的上下文和轨迹预测其未来将访问的地点。其中多数聚焦于特定的预测目标，例如用户下一次签到的场所或其下一段行程的目的地，这通常取决于其任务及数据中的可得信息。尽管常有成功案例报道，但关于若预测目标变化会发生什么却鲜有讨论：较粗的位置是否比较细的位置更易预测，以及预测轨迹上的紧邻下一位置是否比预测目的地更容易。另一方面，在这些预测任务中常用的细粒度设备端用户行为数据很少被利用，而这类数据本应能指示用户意图。本文利用一个细粒度真实世界数据集，对移动预测问题开展系统性研究。基于 Markov 模型、循环神经网络和多模态学习方法，我们进行了一系列实验，以探究不同粒度预测目标的可预测性以及不同类型信号的有效性。结果就什么可被预测及如何预测提供了诸多见解，对一般性的真实世界移动预测具有启示意义。
引用
@article{arxiv.1901.10167,
title = {A Systematic Analysis of Fine-Grained Human Mobility Prediction with On-Device Contextual Data},
author = {Huoran Li},
journal= {arXiv preprint arXiv:1901.10167},
year = {2019}
}