用于人类移动模拟的时空增强图神经网络
机器学习
2024-06-07 v3 人工智能
摘要
人类移动模式在政策决策场景和经济行为研究中已展现出重要应用。人类移动模拟任务旨在给定少量轨迹数据的情况下生成人类移动轨迹，由于人类移动数据的稀缺性与稀疏性，该任务已引起广泛关注。现有方法大多依赖位置的静态关系，而在很大程度上忽略了位置的动态时空效应。一方面，访问分布的时空对应关系揭示了位置的空间邻近性与功能相似性。另一方面，不同位置中各异的停留时长阻碍了移动轨迹的迭代生成过程。因此，我们提出了一种建模位置动态时空效应的新框架，即时空增强图神经网络（STAR）。STAR 框架设计了多种时空图以捕捉时空对应关系，并构建了一个新的停留分支来模拟位置中变化的停留时长，最终以对抗方式进行优化。在四个真实数据集上针对人类移动模拟的综合实验验证了 STAR 相对于最先进方法的优越性。我们的代码发布于 https://github.com/Star607/STAR-TKDE。
引用
@article{arxiv.2306.09381,
title = {Spatiotemporal-Augmented Graph Neural Networks for Human Mobility Simulation},
author = {Yu Wang and Tongya Zheng and Shunyu Liu and Zunlei Feng and Kaixuan Chen and Yunzhi Hao and Mingli Song},
journal= {arXiv preprint arXiv:2306.09381},
year = {2024}
}