面向POI级人流推断的时空对比自监督学习
机器学习
2023-09-13 v2 人工智能
摘要
在兴趣点（POIs）处准确获取人流对于有效的交通管理、公共服务和城市规划至关重要。尽管重要，但由于城市感知技术的局限，大多数来源的数据质量不足以监测每个POI的人流。这使得从低质量数据推断准确人流成为一项关键且具挑战的任务。三个关键因素加剧了该复杂性：1）标注数据的稀缺性与稀有性，2）POI间复杂的时空依赖关系，3）精确人流与GPS报告之间的无数关联。为应对这些挑战，我们将人流推断问题重新表述为自监督属性图表示学习任务，并引入一种新颖的时空数据对比自学习框架（CSST）。我们的方法首先基于POI及其各自距离构建空间邻接图。然后我们采用对比学习技术来利用大量未标注的时空数据。我们采用交换预测方法，从相似实例中预测目标子图的表示。在预训练阶段之后，模型使用准确人流数据进行微调。我们在两个真实世界数据集上的实验表明，在大量噪声数据上预训练的CSST始终优于从头训练的模型。
引用
@article{arxiv.2309.03239,
title = {Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference},
author = {Songyu Ke and Ting Li and Li Song and Yanping Sun and Qintian Sun and Junbo Zhang and Yu Zheng},
journal= {arXiv preprint arXiv:2309.03239},
year = {2023}
}
备注
18 pages; submitted to TKDD;