通过自然语言生成翻译人类移动预测

现有人类移动预测模型遵循时间序列预测模型的标准设计，以一系列数值作为输入生成数值预测。尽管将其视为回归问题看似直接，但融入诸如各兴趣点(POI)的语义类别信息等各类上下文信息是设计有效移动预测模型的必要步骤，且常是瓶颈。与典型方法相反，我们将预测视为翻译问题，并提出一种通过语言生成流水线的新颖预测方法。本文旨在以序列到序列方式将人类移动预测问题作为语言翻译任务解决。首先引入移动到语言模板，将数值移动数据描述为自然语言句子。人类移动预测翻译任务的核心直觉是将输入移动描述句子转换为未来移动描述，从中可获取预测目标。在该流水线之下，设计了一个双分支网络SHIFT(翻译人类移动预测)。具体而言，其由一个用于语言生成的主分支和一个直接学习移动模式的辅助分支组成。训练期间，我们开发了动量模式以更好地连接与训练两个分支。在三个真实世界数据集上的大量实验表明所提SHIFT有效，并给出了一种预测人类移动的新革命性方法。