统一全局与局部时序信息的用户轨迹预测
机器学习
2025-08-05 v1
摘要
轨迹预测对于制定能提前预见用户移动性并进行准备的主动策略至关重要。因此，在可接受的推断时间内降低用户轨迹预测的预测误差，成为一个值得关注的问题。然而，轨迹数据包含全局和局部时序信息，这使得提取完整的时序模式变得复杂。此外，用户行为跨越不同的时间尺度，这增加了捕获行为模式的难度。为此，本文提出一种基于多层感知器（MLP）、多尺度卷积神经网络（MSCNN）和跨注意力（CA）的轨迹预测模型。具体而言，利用MLP提取每个特征的全局时序信息。并行地，采用MSCNN通过建模局部时序范围内特征之间的相互作用来提取局部时序信息。MSCNN中使用不同大小的卷积核以捕获多分辨率的时序信息，增强模型对不同行为模式的适应性。最后，应用CA来融合全局和局部时序信息。实验结果表明，我们的方法在12步预测中将均方误差（MSE）降低了5.04%，均绝对误差（MAE）降低了4.35%，同时保持类似的推断时间。
引用
@article{arxiv.2508.02161,
title = {User Trajectory Prediction Unifying Global and Local Temporal Information},
author = {Wei Hao and Bin Chong and Ronghua Ji and Chen Hou},
journal= {arXiv preprint arXiv:2508.02161},
year = {2025}
}