基于因果与空间约束多任务网络的人类移动性预测
人工智能
2023-06-07 v4 信息检索
摘要
对人类移动性建模有助于理解城市中人们如何获取资源及彼此发生物理接触，从而服务于城市规划、疫情管控和基于位置的广告等多种应用。下一位置预测是个体人类移动性建模中的一项关键任务，通常被视为序列建模问题，借助马尔可夫或基于 RNN 的方法求解。然而，现有模型很少关注个体出行决策的逻辑以及群体行为的可复现性。为此，我们提出一种用于下一位置预测的因果与空间约束长短期学习器（CSLSL）。CSLSL 利用基于多任务学习的因果结构显式建模“何时→做什么→去哪里”，即“时间→活动→位置”的决策逻辑。我们进一步提出一种空间约束损失函数作为辅助任务，以确保出行者目的地的预测空间分布与实际空间分布的一致性。此外，CSLSL 采用名为长短期捕捉器（LSC）的模块来学习不同时间跨度下的转移规律。在三个真实数据集上的大量实验表明，CSLSL 相较基线取得了显著的性能提升，并证实了引入因果性与一致性约束的有效性。实现代码见 https://github.com/urbanmobility/CSLSL。
引用
@article{arxiv.2206.05731,
title = {Human Mobility Prediction with Causal and Spatial-constrained Multi-task Network},
author = {Zongyuan Huang and Shengyuan Xu and Menghan Wang and Hansi Wu and Yanyan Xu and Yaohui Jin},
journal= {arXiv preprint arXiv:2206.05731},
year = {2023}
}
备注
Updated version (We have corrected the title error in the previous version.)