基于图结构从人类移动轨迹中学习大规模位置嵌入
社会与信息网络
2022-10-11 v2 人工智能
摘要
越来越多的基于位置的服务（LBS）数据正在积累，并有助于研究城市动态与人类移动。GPS坐标和其他位置指示符通常是低维的且仅表示空间邻近性，因此难以被地理感知应用中的机器学习模型有效利用。现有的位置嵌入方法大多针对发生在感兴趣区域内的特定问题定制。当涉及到城市甚至国家尺度时，现有方法总是面临巨大的计算成本和显著的数据稀疏性。与现有研究不同，我们提出通过一种称为GCN-L2V的GCN辅助skip-gram模型，综合考虑空间连接与人类移动来学习表示。借助流图与空间图，它将上下文信息嵌入到向量表示中。GCN-L2V能够捕捉位置间的关系，并在空间环境中提供更好的相似性概念。通过定量实验与案例研究，我们实证表明GCN-L2V学习到的表示是有效的。据我们所知，这是首个仅使用LBS记录在城市层面提供细粒度位置嵌入的研究。GCN-L2V是一种具有高灵活性的通用嵌入模型，可应用于下游地理感知应用。
引用
@article{arxiv.2103.00483,
title = {Learning Large-scale Location Embedding From Human Mobility Trajectories with Graphs},
author = {Chenyu Tian and Yuchun Zhang and Zefeng Weng and Xiusen Gu and Wai Kin Victor Chan},
journal= {arXiv preprint arXiv:2103.00483},
year = {2022}
}