DeepStay：基于弱监督的位置轨迹停留区域提取
计算机视觉与模式识别
2023-06-12 v1 机器学习
摘要
如今，移动设备能够持续追踪用户位置，而位置轨迹可用于推断用户的兴趣点（POI），如住所、工作场所或商店。提取POI的一种常见方法是首先识别用户停留大量时间的时空区域，即停留区域（SR）。由于流行的公共数据集无标注，常见的SR提取方法要么仅在无监督下评估，要么在小规模私有数据集上评估。这类方法大多依赖手工设计的特征或阈值，且除超参数优化外不进行学习。因此，我们提出了一种称为DeepStay的基于Transformer的弱监督与自监督模型，该模型在位置轨迹上训练以预测停留区域。据我们所知，这是首个基于深度学习的方法，也是首个在公共标注数据集上评估的方法。我们的SR提取方法优于当前最先进（SOTA）方法。此外，我们使用相同架构在GPS轨迹的交通方式检测任务上进行了有限实验，取得了显著高于SOTA的分数。我们的代码可在 https://github.com/christianll9/deepstay 获取。
引用
@article{arxiv.2306.06068,
title = {DeepStay: Stay Region Extraction from Location Trajectories using Weak Supervision},
author = {Christian Löwens and Daniela Thyssens and Emma Andersson and Christina Jenkins and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2306.06068},
year = {2023}
}
备注
Paper under peer review