面向长尾移动性预测的自适应位置层级学习
人工智能
2026-03-03 v2
摘要
人类移动性预测对于从基于位置的推荐到城市规划等应用至关重要，其旨在基于历史轨迹预测用户的下一次位置访问。尽管现有的移动性预测模型擅长通过针对不同场景的多样化架构捕获序列模式，但它们受到位置访问长尾分布的阻碍，导致预测偏差和适用性受限。这凸显了对一种解决方案的需求，该方案需具备跨多样化架构的广泛兼容性和高效性，以增强这些模型的长尾预测能力。为满足这一需求，我们提出了首个用于长尾人类移动性预测的架构无关插件，名为自适应位置层级学习（ALOHA）。受马斯洛的人类动机理论启发，我们利用并探索从人类移动轨迹中得出的头部和尾部位置的共性移动知识，以有效缓解长尾偏差。具体而言，我们引入了一个基于大语言模型（LLM）和思维链（CoT）提示的自动流水线来构建城市定制化位置层级，以最少的人工验证捕获高层移动语义。我们进一步设计了自适应层级损失（AHL），通过 Gumbel 扰动和节点级自适应加权重新平衡学习，从而实现对多级信号的利用与在语义相关组内的探索。在多个 SOTA 模型上的大量实验表明，ALOHA 在保持效率和鲁棒性的同时，持续提升长尾移动性预测性能高达 16.59%。我们的代码位于 https://github.com/Star607/ALOHA。
引用
@article{arxiv.2505.19965,
title = {Adaptive Location Hierarchy Learning for Long-Tailed Mobility Prediction},
author = {Yu Wang and Junshu Dai and Yuchen Ying and Hanyang Yuan and Zunlei Feng and Tongya Zheng and Mingli Song},
journal= {arXiv preprint arXiv:2505.19965},
year = {2026}
}
备注
Accepted by WWW 2026