GCN-TULHOR：基于 GCN 和高阶空间表示的轨迹-用户关联方法
机器学习
2025-09-16 v1
摘要
轨迹-用户关联（TUL）旨在将匿名化轨迹与生成它们的用户关联起来，这对于个性化推荐、隐私保留分析和安全的位置服务至关重要。现有方法在稀疏数据、不完整路径以及复杂空间依赖关系的建模方面存在挑战，常依赖低级别的签到数据或忽略空间模式。在本文中，我们引入了 GCN-TULHOR 方法，通过六边形细分将原始位置数据转换为更高阶的 mobility 流表示，减少数据稀疏性并捕获更丰富的空间语义，同时集成图卷积网络（GCN）。我们的ethods 将稀疏签到数据和连续 GPS 轨迹数据转换为统一的更高阶流表示，缓解稀疏性的同时捕获更深层的语义信息。GCN 层能够在不依赖时间戳或热点点信息的情况下，显式地建模复杂的空间关系和非局部依赖。在六个真实数据集上的实验表明，GCN-TULHOR 在准确率、精确率、召回率和 F1 分数方面均优于经典基线方法、基于 RNN 和 Transformer 的模型，以及 TULHOR 方法。GCN-TULHOR 在准确率和 F1 分数上实现了 1-8% 的相对提升。敏感性分析识别出单层 GCN 和 512 维嵌入的最佳配置。GCN 的集成增强了空间学习能力，提高了跨移动性数据的泛化性。这一工作凸显了将基于图的空间学习与顺序建模相结合的价值，为 TUL 提供了一个稳健且可扩展的解决方案，适用于推荐、城市规划和安全等应用场景。
引用
@article{arxiv.2509.11095,
title = {GCN-TULHOR: Trajectory-User Linking Leveraging GCNs and Higher-Order Spatial Representations},
author = {Khoa Tran and Pranav Gupta and Manos Papagelis},
journal= {arXiv preprint arXiv:2509.11095},
year = {2025}
}