明日去向：面向中期人类 mobility 预测的多尺度时空解耦模型
人工智能
2025-08-20 v2
摘要
预测个体 mobility 模式在 various applications 中至关重要。虽然当前方法主要聚焦于为个性化服务(如推荐)预测下一个位置，但往往不足以支持更广泛的应用，如交通管理和流行病控制，这些应用需要对人类 mobility 进行更长时间段的预测。本研究针对中期 mobility 预测，旨在捕捉每日旅行模式，预测次日或下周的轨迹。我们提出了一种新型的多尺度时空解耦预测器(MSTDP)，通过将每日轨迹解耦为离散的位置-持续时间链，高效提取时空信息。我们的方法采用层次化编码器来建模多尺度时序模式，包括每日重复和每周周期性，并利用基于Transformer的解码器全局关注预测信息中的位置或持续时间链。此外，我们引入了时空异构图学习器来捕捉多尺度时空关系，增强语义丰富的表示。我们在位于五个城市(Boston、洛杉矶、旧金山湾区、上海和东京)的大规模移动电话记录数据上进行了广泛实验，包括统计物理分析，以展示MSTDP的优势。应用于波士顿的流行病建模中，MSTDP相较于最佳基线实现了累计新病例MAE降低62.8%。
引用
@article{arxiv.2501.06561,
title = {Where to Go Next Day: Multi-scale Spatial-Temporal Decoupled Model for Mid-term Human Mobility Prediction},
author = {Zongyuan Huang and Weipeng Wang and Shaoyu Huang and Marta C. Gonzalez and Yaohui Jin and Yanyan Xu},
journal= {arXiv preprint arXiv:2501.06561},
year = {2025}
}