基于 WiFi 日志的动态校园原址-目的地 mobility 预测——GCLSTM 方法
高能天体物理现象
2025-10-09 v2 太阳与恒星天体物理
摘要
我们提出一种集成图结构神经网络架构，用于在动态时间分辨率下预测校园建筑的占用情况和建筑间移动，学习从WiFi日志中结合建筑使用日程模式的交通流模式。相对流量直接从WiFi数据中估计，而无需假设占用者的行为或偏好，同时保持个人隐私。我们将问题形式化为由代表建筑的节点集及通过边缘或链路连接的图结构表示的数据驱动方法，采用新颖的图卷积加 LSTM 神经网络（GCLSTM），该方法在建模复杂模式方面已取得显著成功。我们描述了模型的构建、估计、可解释性以及所提出方法的相对性能。我们还呈现了模型的示意架构，并应用于在多伦多 Metropolitan 大学校园收集的真实世界WiFi日志。实验结果表明，集成GCLSTM模型在预测校园建筑间的行人流量方面，显著优于传统的多层感知器（MLP）和线性回归方法。
关键词
引用
@article{arxiv.2507.05506,
title = {Type Ibn supernovae from ultra-stripped supernova progenitors},
author = {Takashi J. Moriya and Bernhard Mueller and Sergei I. Blinnikov and Marina Ushakova and Elena I. Sorokina and Thomas M. Tauris and Alexander Heger},
journal= {arXiv preprint arXiv:2507.05506},
year = {2025}
}
备注
8 pages, 7 figures, accepted by Publications of the Astronomical Society of Japan