面向人类移动性的地理自适应深度时空预测建模
机器学习
2022-11-29 v1 计算机视觉与模式识别
摘要
针对人群流预测等时空预测问题的深度学习方法假定数据为固定且规则形状的张量，并在处理不规则、稀疏数据张量时面临挑战。这在诸如利用地理区域的栅格/图像格式表示，在特定时间分辨率下预测个体对某空间区域的访问次数等用例中存在局限，因为个体的移动模式可能大幅受限并局域于栅格的某一局部。此外，当前解决此类问题的深度学习方法在建模个体时空移动模式时未考虑区域的地理感知。为应对这些局限，亟需开发一种新颖策略与建模方法，能在纳入地理感知的同时处理稀疏、不规则数据。本文中，我们采用四叉树作为表示图像的数据结构，并引入一种新颖的地理感知深度学习的层——GA-ConvLSTM，其基于四叉树数据结构的地理感知模块执行卷积操作以纳入空间依赖，同时保持循环机制以刻画时间依赖。我们在基于深度学习的预测模型GADST-Predict的背景下提出该方法，用于预测个体空间行为（例如对特定地点的频繁访问）。基于两套GPS轨迹数据的实验结果表明，所提方法在不同用例下处理频繁访问均有效且具备较高精度。
引用
@article{arxiv.2211.14885,
title = {Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility},
author = {Syed Mohammed Arshad Zaidi and Varun Chandola and EunHye Yoo},
journal= {arXiv preprint arXiv:2211.14885},
year = {2022}
}