通过带邻域正则化的上下文感知张量分解理解城市动态
机器学习
2019-05-14 v2 机器学习
摘要
近年来，人口极其庞大的巨型都市在全球涌现。因此，理解居民出行模式或城市动态，对建设现代智慧城市至关重要。本文提出一种邻域正则化且上下文感知的非负张量分解模型（NR-cNTF），从城市异构数据中发掘可解释的城市动态。与许多关注通过张量补全做预测任务的现有研究不同，NR-cNTF 侧重于从空间、时间以及时空模式中获取城市管理洞见。这得益于由基于 POI 的城市上下文和地理邻域关系共同正则化的高质量 Tucker 分解。NR-cNTF 还能通过流水线初始化方法揭示城市动态的长期演化。我们将 NR-cNTF 应用于包含北京丰富出租车 GPS 轨迹与 POI 记录的真实数据集。结果表明：1）NR-cNTF 准确捕捉了四类城市节律和十七个空间社区；2）以 CBD 地区为缩影的北京快速发展确实加剧了职住失衡；3）近期政府投资的南部区域展现出更健康的发展趋势。最后，在交通预测上 NR-cNTF 与若干基线对比，进一步印证了城市上下文感知与邻域正则化的重要性。
引用
@article{arxiv.1905.00702,
title = {Understanding Urban Dynamics via Context-aware Tensor Factorization with Neighboring Regularization},
author = {Jingyuan Wang and Junjie Wu and Ze Wang and Fei Gao and Zhang Xiong},
journal= {arXiv preprint arXiv:1905.00702},
year = {2019}
}