SpatialRank：基于时空数据 NDCG 优化的城市事件排序
机器学习
2023-10-27 v5
摘要
城市事件排序问题旨在预测未来事件（如交通事故和犯罪）风险最高的前 k 个位置。该问题对公共安全和城市管理至关重要，尤其在资源有限时。然而，由于位置间复杂动态的时空相关性、城市事件在空间上的不均衡分布，以及难以对特征相近的邻近位置正确排序，该问题具有挑战性。已有的事件预测工作大多旨在准确预测所有位置的实际风险分数或事件计数，如此得到的排序常因预测误差而质量较低。学习排序（learning-to-rank）方法直接优化如归一化折损累计增益（NDCG）等度量，但无法处理位置间存在的时空自相关。本文提出一种名为 SpatialRank 的新型空间事件排序方法以弥补这一差距。SpatialRank 具有自适应图卷积层，可从数据动态学习跨位置的时空依赖关系。此外，该模型通过替代函数优化带有空间分量的混合 NDCG 损失，以更好地对相邻空间位置排序。我们设计了一种带空间过滤的重要性采样算法，以在训练期间有效评估损失。在三个真实世界数据集上的综合实验表明，SpatialRank 能有效识别犯罪与交通事故风险最高的位置，并在 NDCG 上以最高 12.7% 的优势超越最先进方法。
引用
@article{arxiv.2310.00270,
title = {SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data},
author = {Bang An and Xun Zhou and Yongjian Zhong and Tianbao Yang},
journal= {arXiv preprint arXiv:2310.00270},
year = {2023}
}
备注
37th Conference on Neural Information Processing Systems (NeurIPS 2023)