TraLFM：交通轨迹数据的隐因子建模
社会与信息网络
2020-03-18 v1 机器学习
机器学习
摘要
定位设备（如GPS）的广泛使用催生了大量人类移动数据，通常以轨迹形式存在。理解人类移动模式可惠及众多基于位置的应用。本文中，我们提出一种名为TraLFM的新颖生成模型，通过隐因子建模来挖掘交通轨迹背后的人类移动模式。TraLFM基于三个关键观察：（1）人类移动模式由轨迹中的位置序列反映；（2）人类移动模式因人而异；（3）人类移动模式往往具有周期性并随时间变化。因此，TraLFM以统一方式对序列、个人和时间因素的联合作用进行建模，并为隐因子分析与下一位置预测等许多应用带来新视角。我们在两个真实数据集上进行了充分的实证研究，实验结果证实TraLFM在这些应用中显著优于最先进的方法。
引用
@article{arxiv.2003.07780,
title = {TraLFM: Latent Factor Modeling of Traffic Trajectory Data},
author = {Meng Chen and Xiaohui Yu and Yang Liu},
journal= {arXiv preprint arXiv:2003.07780},
year = {2020}
}