STAR：一种用于全市范围人类移动预测的简洁深度学习框架
机器学习
2019-08-16 v1 计算机视觉与模式识别
摘要
城市中的人类移动预测对交通与公共安全极为重要，但随着城市化进程与大数据生成，密集计算与移动模式判定已变得富有挑战。本研究聚焦于如何通过更简洁的方案提升全市范围人类移动预测的精度与效率。提出了一种基于单一全卷积残差网络（STAR）的时空移动事件预测框架。STAR是一种高度简洁、通用且有效的学习方法，用于学习表征移动事件的单一张量。利用残差学习训练深度网络，以推导全市预测场景下的精细结果。在真实数据上的大量基准评估结果表明，STAR在单步与多步预测中均优于最先进方法，同时参数量更少且效率更高。
引用
@article{arxiv.1905.06576,
title = {STAR: A Concise Deep Learning Framework for Citywide Human Mobility Prediction},
author = {Hongnian Wang and Han Su},
journal= {arXiv preprint arXiv:1905.06576},
year = {2019}
}
备注
Accepted by MDM 2019