你去往何处？利用 Transformer 学习出行方式信息改进下一位置预测
机器学习
2022-10-31 v2 物理与社会
摘要
预测个体的下一访问位置是人类移动性分析中的关键问题，因为它对于可持续交通选项的个性化与优化必不可少。在此，我们提出一种基于 Transformer 解码器的神经网络，根据历史位置、时间与出行方式（这些在以往工作中常被忽视的行为维度）预测个体将访问的下一位置。特别地，下一出行方式的预测被设计为辅助任务以辅助引导网络学习。为评估，我们将该方法应用于涉及 600 多名个体的两个大规模长期 GPS 追踪数据集。我们的实验表明，所提方法以较大幅度显著优于其他 SOTA 下一位置预测方法（两个数据集的 F1 分数相对提升分别为 8.05% 与 5.60%）。我们进行了广泛的消融研究，量化了考虑时间特征、出行方式信息与辅助任务对预测结果的影响。此外，我们通过实验确定了模型中包含下一方式预测时的性能上界。最后，我们的分析表明，位置预测的性能随个体所选下一出行方式而显著变化。这些结果显示了在人类移动性预测任务中更系统地考虑出行行为附加维度的潜力。我们的模型与实验源代码见 https://github.com/mie-lab/location-mode-prediction。
引用
@article{arxiv.2210.04095,
title = {How do you go where? Improving next location prediction by learning travel mode information using transformers},
author = {Ye Hong and Henry Martin and Martin Raubal},
journal= {arXiv preprint arXiv:2210.04095},
year = {2022}
}
备注
updated main figure, 10 pages, camera ready SIGSPATIAL '22