GSTM-HMU：用于人类移动性理解的生成式时空建模
机器学习
2025-09-24 v1 人工智能
摘要
人类移动轨迹通常以签到序列的形式记录，为了解短期访问模式和长期生活方式规律提供了独特视角。在本研究中，我们引入了 GSTM-HMU，这是一个生成式时空框架，旨在通过显式建模人类运动的语义与时间复杂性来推进移动性分析。该框架包含四项关键创新。首先，时空概念编码器（STCE）将地理位置、POI 类别语义和周期性时间节律整合为统一的向量表示。其次，认知轨迹记忆（CTM）自适应地过滤历史访问，强调近期和行为上显著的事件，从而更有效地捕捉用户意图。第三，生活方式概念库（LCB）提供结构化的人类偏好线索（如活动类型和生活方式模式），以增强可解释性与个性化。最后，面向任务的生成头将学习到的表示转化为针对多个下游任务的预测。我们在四个广泛使用的真实世界数据集（包括 Gowalla、WeePlace、Brightkite 和 FourSquare）上进行了广泛实验，并在三个基准任务上评估了性能：下一位置预测、轨迹用户识别和时间估计。结果表明，相较于强基线有一致且显著的提升，证实了 GSTM-HMU 在从复杂移动数据中提取语义规律方面的有效性。除了原始性能的提升外，我们的发现还表明，生成式建模为构建更鲁棒、可解释且具泛化能力的人类移动智能系统提供了有前景的基础。
引用
@article{arxiv.2509.19135,
title = {GSTM-HMU: Generative Spatio-Temporal Modeling for Human Mobility Understanding},
author = {Wenying Luo and Zhiyuan Lin and Wenhao Xu and Minghao Liu and Zhi Li},
journal= {arXiv preprint arXiv:2509.19135},
year = {2025}
}