通过自监督解耦学习预测人类移动性
机器学习
2022-11-18 v1 人工智能
信息检索
摘要
深度神经网络近来在从海量时空轨迹数据学习人类行为模式与个体偏好方面取得显著进展。然而，现有研究多聚焦于融合序列轨迹下不同语义以进行移动模式学习，进而对人类内在运动的认知视角狭隘。此外，人类签到固有的稀疏性以及未充分挖掘的异构协同项，阻碍了对人类多样周期规律与共同兴趣的潜在利用。受解耦学习近期进展启发，本研究提出一种称为 SSDL 的新颖解耦方案以解决下一 POI 预测问题。SSDL 主要从海量轨迹数据中将潜在的时间不变与随时间变化因素解耦至不同潜空间，提供可解释视角以理解人类多样移动表征下的复杂语义。为应对数据稀疏问题，我们提出两种真实轨迹增强方法，以增进对人类内在周期性与持续变化意图的理解。此外，我们设计了一种以 POI 为中心的图结构来探索历史签到下的异构协同信号。在四个真实数据集上的大量实验表明，所提 SSDL 显著优于 SOTA 方法——例如其在 ACC@1 上最高提升 8.57%。
引用
@article{arxiv.2211.09625,
title = {Predicting Human Mobility via Self-supervised Disentanglement Learning},
author = {Qiang Gao and Jinyu Hong and Xovee Xu and Ping Kuang and Fan Zhou and Goce Trajcevski},
journal= {arXiv preprint arXiv:2211.09625},
year = {2022}
}
备注
15 pages, 9 figures