重建人类移动模式：基于半监督的跨数据集迁移学习方法
机器学习
2024-10-08 v1 计算与语言
摘要
理解人类移动模式对于城市规划、交通管理和公共卫生至关重要。这一研究面临两个主要挑战：轨迹数据往往无法捕捉活动之间的语义关联，且真实轨迹数据本身不完整。我们开发了一个模型，通过关注语义活动链来重建和学习人类移动模式。我们引入一种半监督迭代迁移学习算法，以适应不同地理背景并解决数据稀缺问题。该模型使用来自美国的全面数据集进行验证，有效地重建了活动链并生成高质量的合成移动数据，实现了极低的Jensen-Shannon散度(JSD)值0.001，表明合成数据与真实数据之间的相似性很高。此外，还使用来自埃及的稀疏GPS数据评估迁移学习算法，显示出美国移动模式向埃及背景迁移成功，实现了64%的相似性提升，即JSD从0.09降至0.03。这种移动重建模型及其相关的迁移学习算法在全球人类移动建模研究中展现出巨大的潜力，使决策者和研究人员能够设计更有效、更符合文化背景的交通解决方案。
关键词
引用
@article{arxiv.2410.03788,
title = {Reconstructing Human Mobility Pattern: A Semi-Supervised Approach for Cross-Dataset Transfer Learning},
author = {Xishun Liao and Yifan Liu and Chenchen Kuai and Haoxuan Ma and Yueshuai He and Shangqing Cao and Chris Stanford and Jiaqi Ma},
journal= {arXiv preprint arXiv:2410.03788},
year = {2024}
}
备注
23 pages, 10 figures, 3 tables