UniMove：面向多城市人类 mobility 预测的统一模型

人类 mobility 预测对城市规划、交通优化和个性化服务至关重要。然而，人类 mobility 固有的随机性、非均匀时间间隔以及复杂模式，又因城市结构、基础设施和人口密度的差异性而引入的异构性，为建模带来了显著挑战。现有解决方案常因不同的空间表示和地理覆盖范围而需要为每个城市单独训练模型。本文提出 UniMove，面向多城市人类 mobility 预测的统一模型，解决两个挑战：（1）构建通用空间表示以实现城市之间的数据 token 共享；（2）建模来自不同城市特征的异构 mobility 模式。我们提出了轨迹-位置双塔架构，其中位置塔用于通用空间编码，轨迹塔用于顺序 mobility 建模。我们还设计 MoE Transformer 块以适应选择专家处理多样化运动模式。广泛的实验覆盖来自不同城市的数据集，表明 UniMove 真正体现了统一模型的精髓。通过实现对多城市数据的联合训练并实现数据互助，它将 mobility 预测精度提高了超过 10.2%。UniMove 代表了向实现人类 mobility 真正基础模型的统一架构迈出的关键一步。我们在 https://github.com/tsinghua-fib-lab/UniMove/ 上发布了实现代码。