长尾稀疏轨迹上的人类移动性推断
机器学习
2020-01-22 v1 社会与信息网络
机器学习
摘要
分析城市中的轨迹已成为数据挖掘中的一个重要课题。我们如何由原始轨迹数据建模由停留与出行构成的人类移动性？我们如何由单条轨迹信息推断这样的移动性模型？我们如何进一步推广该移动性推断以适配随时间稀疏采样的真实世界轨迹数据？在本文中，基于停留/出行移动性的形式化严格定义，我们提出了一种利用大规模轨迹数据中通用长尾稀疏模式的单轨迹推断算法。该算法在停留/出行推断中保证 100% 的精确率，并带有可证明的召回率下界。此外，我们引入了一种接受多条轨迹作为输入的编码器-解码器学习架构。该架构通过定制的嵌入与学习机制针对移动性推断问题进行了优化。基于 4000 万城市用户的三个轨迹数据集的评估验证了所提推断算法的性能保证，并展示了我们的深度学习模型相较于知名序列学习方法的优越性。在极度稀疏轨迹上，该深度学习模型通过已证明的对大规模多样化训练数据的可扩展性与泛化能力，相较单轨迹推断算法实现了 2 的总体准确率提升。
引用
@article{arxiv.2001.07636,
title = {Mobility Inference on Long-Tailed Sparse Trajectory},
author = {Lei Shi},
journal= {arXiv preprint arXiv:2001.07636},
year = {2020}
}