基于分层时空注意力网络的轨迹-用户链接
机器学习
2023-12-08 v2 人工智能
摘要
轨迹-用户链接(TUL)通过探索复杂移动模式将不同轨迹链接至用户，对人类移动建模至关重要。现有工作主要依赖循环神经框架编码轨迹中的时间依赖，在捕捉TUL预测所需的时空全局上下文方面存在不足。为填补此缺口，本文提出一种称为 AttnTUL 的新型分层时空注意力神经网络，联合编码局部轨迹转移模式与全局空间依赖以用于TUL。具体而言，我们的首个模型组件构建于图神经架构之上，以保留局部与全局上下文并增强地理区域与用户轨迹的表示范式。此外，设计了一种分层结构注意力网络，通过融合时间注意力机制与全局弹性注意力编码器，同时编码轨迹内与轨迹间依赖。大量实验表明，在多个轨迹数据集上我们的 AttnTUL 方法相较最先进基线具有优越性。模型源代码见 https://github.com/Onedean/AttnTUL。
引用
@article{arxiv.2302.10903,
title = {Trajectory-User Linking via Hierarchical Spatio-Temporal Attention Networks},
author = {Wei Chen and Chao Huang and Yanwei Yu and Yongguo Jiang and Junyu Dong},
journal= {arXiv preprint arXiv:2302.10903},
year = {2023}
}
备注
22 pages, 8 figures, accepted by ACM Trans. Knowl. Discov. Data Journal (TKDD)