从全部上下文信息中学习动态图以实现精准的兴趣点访问量预测
机器学习
2023-10-02 v2 社会与信息网络
摘要
预测城市区域中兴趣点（POI）的访问量对于从城市规划与交通管理到公共卫生与社会研究等各类应用领域的规划与决策至关重要。尽管该预测问题可表述为多元时间序列预测任务，现有方法无法充分利用POI之间不断变化的多种上下文关联。因此，我们提出Busyness图神经网络（BysGNN），一种时序图神经网络，旨在学习并揭示POI之间潜在的多种上下文关联以实现精准访问量预测。与其他仅使用时间序列数据学习动态图的方法不同，BysGNN利用所有上下文信息与时间序列数据来学习准确的动态图表示。通过融合所有上下文、时间与空间信号，我们在使用全美真实世界数据集的实验中观察到，预测精度相较最先进的预测模型有显著提升。
引用
@article{arxiv.2306.15927,
title = {Learning Dynamic Graphs from All Contextual Information for Accurate Point-of-Interest Visit Forecasting},
author = {Arash Hajisafi and Haowen Lin and Sina Shaham and Haoji Hu and Maria Despoina Siampou and Yao-Yi Chiang and Cyrus Shahabi},
journal= {arXiv preprint arXiv:2306.15927},
year = {2023}
}