基于注意力标记时序点过程的个体出行预测
机器学习
2021-09-08 v1
摘要
个体出行预测是交通需求管理与交通系统运行的一项基本任务。已有大量工作对位置序列建模并预测用户下一位置；然而，对下一次出行的预测甚少受到关注，而该预测受包括出行开始时间、起点与终点在内的多样属性间强时空依赖的支配。为填补此空白，本文提出一种新颖的基于点过程的模型——注意力标记时序点过程（AMTPP）——以联合方式对人类出行建模并预测整次出行。为编码历史出行的影响，AMTPP采用带精心设计位置嵌入的自注意力机制，以捕获个体出行行为中的日/周周期性与规律性。鉴于人类行为中事件间隔时间独特的尖峰特性，我们使用非对称log-Laplace混合分布精确建模出行开始时间的分布。此外，开发了起点-终点（OD）矩阵学习模块以建模每对起点与终点间的关系。在两个大型地铁出行数据集上的实验结果展示了AMTPP的优越性能。
引用
@article{arxiv.2109.02715,
title = {Individual Mobility Prediction via Attentive Marked Temporal Point Processes},
author = {Yuankai Wu and Zhanhong Cheng and Lijun Sun},
journal= {arXiv preprint arXiv:2109.02715},
year = {2021}
}