探索城市级人群移动预测中的上下文泛化性：一个分析框架与基准
机器学习
2024-12-19 v5 人工智能
摘要
上下文特征是为构建城市级人群移动预测模型的重要数据来源。然而，应用上下文的难点在于上下文特征（例如天气、节假日和兴趣点）以及上下文建模技术在不同场景间未知的泛化性。本文提出一个统一的解析框架和大规模基准用于评估上下文泛化性。该基准包含人群移动数据、上下文数据与先进的预测模型。我们在若干人群移动预测任务（如共享单车流量、地铁客流量和电动汽车充电需求）中进行了全面实验。我们的结果揭示了若干重要发现：(1) 使用更多上下文特征未必总能借助现有上下文建模技术带来更好的预测；特别地，节假日与时间位置的结合相比其他上下文特征组合能提供更具泛化性的有益信息。(2) 在上下文建模技术中，使用门控单元将原始上下文特征融入深度预测模型具有良好的泛化性。此外，我们就融合上下文因素以构建人群移动预测应用给出了若干建议。基于我们的发现，我们呼吁未来研究致力于开发新的上下文建模方案。
引用
@article{arxiv.2106.16046,
title = {Exploring Context Generalizability in Citywide Crowd Mobility Prediction: An Analytic Framework and Benchmark},
author = {Liyue Chen and Xiaoxiang Wang and Leye Wang},
journal= {arXiv preprint arXiv:2106.16046},
year = {2024}
}