基于 Transformer 的稀疏移动数据轨迹重建
机器学习
2025-07-08 v1 人工智能
摘要
理解人类移动模式对于公共卫生、交通和城市规划等应用至关重要。然而，移动数据常因数据收集方法的局限性而受稀疏制约，例如 GPS 采样不频繁或仅在通信事件期间捕获位置的呼叫详细记录 (CDR)。为解决这一挑战，我们提出了 BERT4Traj，一种基于 Transformer 的模型，通过预测稀疏运动序列中隐藏的访问来重建完整的移动轨迹。受 BERT 的遮蔽语言建模目标和自注意力机制的启发，BERT4Traj 利用空间嵌入、时间嵌入以及如人口统计特征和锚点等情境背景特征。我们在 Kampala, 乌干达收集的真实 CDR 和 GPS 数据集上评估了 BERT4Traj，证明我们的做法显著优于马尔可夫链、KNN、RNN 和 LSTM 等传统模型。我们的结果表明，BERT4Traj 有效地重建了详细且连续的移动轨迹，增强了对人类行动模式的洞察。
引用
@article{arxiv.2507.03062,
title = {BERT4Traj: Transformer Based Trajectory Reconstruction for Sparse Mobility Data},
author = {Hao Yang and Angela Yao and Christopher Whalen and Gengchen Mai},
journal= {arXiv preprint arXiv:2507.03062},
year = {2025}
}
备注
This paper was accepted at GIScience 2025