站到用户迁移学习：基于潮汐正则化非负矩阵分解的潜行签名可解释用户聚类
机器学习
2020-04-28 v1 社会与信息网络
摘要
城市地区为我们提供了捕获人口生活几乎方方面面的海量可用数据。本工作聚焦于出行数据及其如何帮助增进我们对城市出行模式的理解。现成且规模可观的票卡数据捕获了公共交通网络中的出行记录。然而，此类数据通常缺乏时间模态，因此推断出行语义、站点功能和用户画像的任务颇具挑战。由于现有方法要么关注站点级要么关注用户级信号，它们易于过拟合并产生可信度与洞察力较低的结果。为从出行数据中恰当学习此类特征，我们提出了一种通过潜表示的集体学习框架，该框架利用从站点级信号学到的集体模式来增强用户级学习。该框架使用了一种新颖的、所谓的潮汐正则化非负矩阵分解方法，其在通用非负矩阵分解中融入了以时间客流模式形式存在的领域知识。为评估模型性能，我们引入了基于经典Rand指数的用户稳定性测试作为基准不同无监督学习模型的指标。我们对华盛顿特区地铁的站点功能和用户画像进行了定性分析，并展示了我们的方法如何支持时空城市内出行探索。
引用
@article{arxiv.2004.12828,
title = {Station-to-User Transfer Learning: Towards Explainable User Clustering Through Latent Trip Signatures Using Tidal-Regularized Non-Negative Matrix Factorization},
author = {Liming Zhang and Andreas Züfle and Dieter Pfoser},
journal= {arXiv preprint arXiv:2004.12828},
year = {2020}
}