基于层次图注意力循环网络的活动感知人类移动预测
机器学习
2025-01-03 v4
摘要
人类移动预测是城市规划、基于位置的服务与智能交通系统中各类应用的基础性任务。现有方法常忽略对推断人类偏好与日常规律至关重要的活动信息，或采用简化的方式表示时间、活动与位置之间的依赖关系。为解决这些问题，我们提出层次图注意力循环网络（Hierarchical Graph Attention Recurrent Network, HGARN）用于人类移动预测。具体而言，我们基于过往移动记录构建层次图，并采用层次图注意力模块捕捉复杂的时间-活动-位置依赖。由此，HGARN 能够学习蕴含丰富出行语义的表示，从而在全局层面建模用户偏好。我们还提出模型无关的增强历史置信度（model-agnostic history-enhanced confidence, MAHEC）标签，以融入每位用户的个体层面偏好。最后，我们引入时间模块，该模块采用循环结构联合预测用户的下一活动及其关联位置，其中前者作为辅助任务以增强后者的预测。在模型评估中，我们在重复（即返回曾访问过的位置）与探索（即访问新位置）两种设定下测试了 HGARN 相对于现有最先进方法的性能。总体而言，基于两个真实世界人类移动数据基准，HGARN 在所有设定下均显著优于其他基线。这些发现证实了人类活动在决定移动决策中的重要作用，说明了开发活动感知智能交通系统的必要性。本研究的源代码发布于 https://github.com/YihongT/HGARN。
引用
@article{arxiv.2210.07765,
title = {Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network},
author = {Yihong Tang and Junlin He and Zhan Zhao},
journal= {arXiv preprint arXiv:2210.07765},
year = {2025}
}