城市区域中的多时间关系推断
机器学习
2023-06-16 v1 人工智能
摘要
发现位置间的多种时间关系可惠及一系列城市应用，如动态线下广告与智能公共交通规划。尽管在发现位置间静态关系方面已有一些努力，但极少关注研究时间感知的位置关系。事实上，丰富的基于位置的人类活动是随时间变化的，且这些数据的可用性催生了理解一段时间内连通位置间动态关系的新范式。为此，我们提出研究一个新问题，即位置间多时间关系推断 (简称 Trial)，其主要挑战是如何在关系稀疏约束下整合动态与地理影响。具体而言，我们提出一种基于图学习方案的 Trial 解法，包含具有两个协作组件的空间演化图神经网络 (SEENet)：空间演化图卷积模块 (SEConv) 与空间演化自监督学习策略 (SE-SSL)。SEConv 执行时间内聚合与跨时间传播，从位置消息传递的视角捕获多方面的空间演化上下文。此外，SE-SSL 以全局-局部方式设计时间感知自监督学习任务，并附加强化的演化约束，以增强位置表征学习并进一步处理关系稀疏性。最后，在四个真实数据集上的实验证明了我们的方法优于几种最先进方法。
引用
@article{arxiv.2306.08921,
title = {Multi-Temporal Relationship Inference in Urban Areas},
author = {Shuangli Li and Jingbo Zhou and Ji Liu and Tong Xu and Enhong Chen and Hui Xiong},
journal= {arXiv preprint arXiv:2306.08921},
year = {2023}
}
备注
Accepted by KDD 2023. Code and data: https://github.com/agave233/SEENet