用于人类移动特征识别的孪生多头注意力时序卷积网络
人工智能
2024-08-20 v1
摘要
人类移动特征识别（HuMID）问题是驾驶风格表征领域的一项基础任务，致力于从多样化的驾驶员轨迹中辨别潜在的驾驶行为和偏好以进行驾驶员识别。其解决方案在多个领域（如网约车、保险）具有重大意义，其应用有助于保护用户并减轻潜在的欺诈活动。现有的HuMID解决方案在面对长轨迹时往往表现出适应性不足，从而导致大量的计算开销。此外，它们无法有效提取关键局部信息，进一步阻碍了其性能。为解决这一问题，我们提出了一种孪生多头注意力时序卷积网络（Siamese MA-TCN），以利用TCN架构和多头自注意力的优势，实现对局部和长期依赖关系的高效提取。此外，我们设计了一种新颖的注意力机制，用于高效聚合来自模型的多尺度表示。在两个真实出租车轨迹数据集上进行的实验评估表明，所提出的模型能够有效提取关键局部信息和长期依赖关系。这些发现突出了该模型的出色泛化能力，展示了其在不同规模数据集上的鲁棒性和适应性。
引用
@article{arxiv.2408.09230,
title = {Siamese Multiple Attention Temporal Convolution Networks for Human Mobility Signature Identification},
author = {Zhipeng Zheng and Yuchen Jiang and Shiyao Zhang and Xuetao Wei},
journal= {arXiv preprint arXiv:2408.09230},
year = {2024}
}
备注
27th IEEE International Conference on Intelligent Transportation Systems (ITSC) (ITSC 2024)