面向稀疏城市群智感知的时间连续数据推断

移动群智感知（MCS）是一种有前景的范式，它利用移动用户及其智能便携设备来执行各种现实世界任务。然而，由于预算限制和某些区域不可达，稀疏MCS作为一种更实用的替代方案出现，它从有限数量的目标子区域收集数据，并利用推断算法完成完整的感知图。虽然现有方法通常假设时间离散设置，即数据在每个感知周期内保持不变，但这种简化可能会引入显著误差，尤其是在处理长周期时，因为现实世界的感知数据通常是连续变化的。在本文中，我们从细粒度补全（即将感知周期细分为最小时间单位）出发，迈向更精确的时间连续补全。我们首先引入深度矩阵分解（DMF）作为神经网络框架，并通过循环神经网络（RNN-DMF）增强它，以捕捉这些更细时间片中的时间相关性。为了进一步处理连续数据，我们提出了TIME-DMF，它捕获跨不等时间间隔的时间信息，从而实现时间连续补全。此外，我们在TIME-DMF中提出了查询-生成（Q-G）策略来建模连续数据的无限状态。跨五种类型感知任务的大量实验证明了我们模型的有效性以及时间连续补全的优势。