基于熵的多任务训练中的课程学习用于人类 mobility 预测
机器学习
2026-03-10 v2 人工智能
摘要
随着来自普遍便携设备的大规模 mobility 数据的不断增加，深度学习方法正在被用于人类 mobility 预测。然而，人类 mobility 数据的多样化复杂性会导致模型训练效率低下，可能出现欠拟合。此外，仅预测下一个位置会忽略隐含决定因素，包括距离和方向，从而导致预测结果次优。本文提出一种统一的训练框架，将熵驱动的课程学习与多任务学习集成以应对上述挑战。我们提出的熵驱动课程学习策略基于Lempel-Ziv压缩对轨迹可预测性进行量化，并组织从简单到复杂的训练以实现更快的收敛和更佳的性能。多任务训练同时优化主要位置预测，以及对运动距离和方向的辅助估计，以学习真实的 mobility 模式，并通过互补监督信号提高预测精度。在遵循HuMob挑战赛要求的广泛实验中，我们的方法在GEO-BLEU（0.354）和DTW（26.15）指标上实现了最先进的性能，并实现了最高2.92倍的收敛速度。
引用
@article{arxiv.2509.01613,
title = {Entropy-Driven Curriculum for Multi-Task Training in Human Mobility Prediction},
author = {Tianye Fang and Xuanshu Luo and Martin Werner},
journal= {arXiv preprint arXiv:2509.01613},
year = {2026}
}
备注
Accepted to 2025 IEEE International Conference on Big Data (BigData); camera-ready version