REPLAY：针对稀疏轨迹的位置预测中人类移动性的时变时间规律建模
机器学习
2025-05-06 v4 人工智能
摘要
位置预测根据历史用户移动轨迹预测用户的位置。为解决真实用户移动轨迹固有的稀疏性问题，时空上下文已被证明非常有用。现有解决方案大多在移动轨迹中融入位置间的时空距离，要么将其作为额外输入馈入循环神经网络（RNN），要么用于搜索信息丰富的过去隐藏状态进行预测。然而，这种基于距离的方法未能捕捉人类移动性的时变时间规律，例如，人类移动性在早晨通常比其他时段更具规律性；这表明除了时间距离外，实际时间戳也很有用。在此背景下，我们提出REPLAY，一种通用的RNN架构，学习捕捉时变时间规律以进行位置预测。具体而言，REPLAY不仅利用稀疏轨迹中的时空距离搜索信息丰富的过去隐藏状态，还通过使用高斯加权平均（具有时间戳特定的可学习带宽）融入平滑的时间戳嵌入，以适应不同时间戳上不同强度的时变时间规律。我们在两个真实数据集上将REPLAY与大量最先进技术进行了广泛评估。结果表明，REPLAY在位置预测任务中持续且显著优于最先进方法7.7%-10.5%，并且带宽揭示了时变时间规律的有趣模式。
引用
@article{arxiv.2402.16310,
title = {REPLAY: Modeling Time-Varying Temporal Regularities of Human Mobility for Location Prediction over Sparse Trajectories},
author = {Bangchao Deng and Bingqing Qu and Pengyang Wang and Dingqi Yang and Benjamin Fankhauser and Philippe Cudre-Mauroux},
journal= {arXiv preprint arXiv:2402.16310},
year = {2025}
}
备注
Accepted by IEEE Transactions on Mobile Computing