DeepMove：通过大规模移动数据学习地点表示
机器学习
2018-07-16 v2 机器学习
摘要
理解和推理地点及其关系对许多应用至关重要。地点传统上由少数人策划为地点名录，并由带空间范围、类别及其他描述的 ID 表示。然而，地点上下文在很大程度上由往返其他地点所产生的移动来描述。这些移动将地点相互链接和关联。这一重要上下文在传统表示中是缺失的。我们提出 DeepMove，一种学习地点潜在表示的新方法。DeepMove 通过直接建模地点间移动，推进了当前基于深度学习的地点表示。我们在大型地点与移动数据集上针对重要参数，展示了 DeepMove 的潜在表示在地点分类与聚类任务上的表现。我们的结果表明 DeepMove 优于最先进的基线。DeepMove 的表示在地点类别匹配率上可比竞争方法高出至多 15%，并使地点聚类的轮廓系数值高出至多 39%。DeepMove 具备空间与时间上下文感知能力。它具有可扩展性。它使用小得多的训练数据集（一个月或 1/12 的数据）即优于竞争模型。这些特性使其适用于广泛的真实世界应用。
引用
@article{arxiv.1807.04241,
title = {DeepMove: Learning Place Representations through Large Scale Movement Data},
author = {Yang Zhou and Yan Huang},
journal= {arXiv preprint arXiv:1807.04241},
year = {2018}
}
备注
10 pages, 11 figures