AttnMove：基于注意力网络的历史增强轨迹恢复
机器学习
2021-01-05 v1 人工智能
摘要
由于基于位置服务的普及，已积累了大量移动数据。然而，与出租车 GPS 模块等交通系统产生的移动数据相比，这类数据在个体轨迹上通常较为稀疏，因为用户并非时刻访问移动服务并贡献数据。因此，即便用户渗透率很高，这种稀疏性也不可避免地削弱了数据的实用价值。为解决该问题，我们提出一种新颖的基于注意力神经网络的模型 AttnMove，通过以细粒度时空分辨率恢复未观测位置来加密个体轨迹。为应对稀疏性带来的挑战，我们设计了多种轨迹内与轨迹间注意力机制，以更好地建模用户的移动规律并充分挖掘长期历史中的周期模式。我们在两个真实数据集上评估了模型，大量结果表明其相较最先进方法（SOTA）的性能提升。这也表明，通过提供高质量移动数据，我们的模型可惠及多种面向移动的下流应用。
引用
@article{arxiv.2101.00646,
title = {AttnMove: History Enhanced Trajectory Recovery via Attentional Network},
author = {Tong Xia and Yunhan Qi and Jie Feng and Fengli Xu and Funing Sun and Diansheng Guo and Yong Li},
journal= {arXiv preprint arXiv:2101.00646},
year = {2021}
}