人类移动中的时空相互作用：一种基于超图表示的分层强化学习方法
人工智能
2023-12-27 v1 计算机与社会
机器学习
摘要
在人类移动领域，选择下一个访问地点的决策过程受到空间和时间约束之间权衡的复杂影响，这反映了个人的需求和偏好。然而，这种权衡因人而异，使得对这些时空动态进行建模成为一项艰巨的挑战。为解决这一问题，在本工作中，我们引入了“时空诱导分层强化学习”(STI-HRL) 框架，以捕捉人类移动决策中空间和时间因素之间的相互作用。具体而言，STI-HRL 采用双层决策过程：底层专注于利用专用代理解耦空间和时间偏好，而高层则整合这些考量以最终确定决策。为了 complement 分层决策设置，我们构建了一个超图来组织历史数据，封装了人类移动的多方面语义。我们提出了一种跨通道超图嵌入模块来学习表示作为状态，以促进决策循环。我们在两个真实世界数据集上的大量实验验证了 STI-HRL 在各种性能指标上预测用户下一次访问方面优于最先进方法。
引用
@article{arxiv.2312.15717,
title = {Spatial-Temporal Interplay in Human Mobility: A Hierarchical Reinforcement Learning Approach with Hypergraph Representation},
author = {Zhaofan Zhang and Yanan Xiao and Lu Jiang and Dingqi Yang and Minghao Yin and Pengyang Wang},
journal= {arXiv preprint arXiv:2312.15717},
year = {2023}
}
备注
Accepted to AAAI 2024