深度解析论文 Point-of-Interest Demand Modeling with Human Mobility Patterns

Abstract

Question

确定空间区分区域的 POI 需求对政府来说是至关重要的，也是当地企业生存的关键。
如果来自一个地区的人经常到其他地区去餐馆和医生，那么人们很可能需要这个地区新的或改进的餐馆和卫生服务。因此，人类流动模式可以用来确定人们的日常需求，并为政府和地方企业提供更好地了解 POI 需求和制定未来规划的机会。

Method

本文开发了一个系统的 POI 需求建模框架，称为区域 POI 需求 识别(RPDI)，通过利用从大规模移动性数据中识别的人的日常需求来建模 POI 需求。

Model

Region POI Demand Identification (RPDI)

Answer

在该模型中，POI 偏好和供应与人口特征一起使用，同时估计城市中所有相互关联的城市区域的 POI 需求。此外，我们还设计了有效的算法来优化大规模数据的潜在模型。最后，对纽约市(NYC)真实世界数据的实验结果表明，我们的方法对识别不同地区的 POI 需求是有效的。

Introduction

作者为什么研究这个课题?

①确定空间区分区域的 POI 需求对政府来说是至关重要的，也是当地企业生存的关键。
②借助大规模的人类流动数据，为城市地区提供系统的 POI需求分析。
③信息通信技术（信通技术）的广泛普及使人们有了前所未有的机会收集大规模的人类流动数据。
④如何将区域POI概况和人口数据与人类流动数据相结合，以更好地以整体的方式模拟城市区域的POI需求。
⑤某些基于LSBN和POI的深度特征没有被提取。
⑥为了从大规模移动性数据中识别的人的日常需求来建模POI需求。

相关工作

与现有工作的区别

①不同区域之间的人员流动数据高度倾斜，甚至没有为不发达区域收集到实际需要更多关注的人员流动数据。
②如何将区域POI概况和人口数据与人类流动数据相结合，以更好地以整体的方式模拟城市区域的POI需求。
③如何在考虑到社区意见的城市中同时学习所有地区的需求。

目前该课题研究进行到的阶段

本文研究了如何利用人类流动模式、地理数据和人口数据来确定区域POI需求。
提出了部分假设，并建立了可以处理大规模数据的模型，并在实验中得到该模型的优秀。

本文理论基于的假设

①人类流动数据可以记录“步行投票”，即人们去哪里是为了他们所需要的，但不能在当地实现。
②一次旅行可能会访问多个POI，而POI可以相互竞争，但简单的聚合不能考虑这些因素。
③从一个地区开始活动的人首先需要决定要满足哪些需求类别（例如购物、饮食、娱乐）。如果需求不能在当地满足，这需要最少的时间和精力，那么这个人需要决定去哪个地区的POI。

Conclusion

这篇文章存在的缺陷

模型算法分析部分内容过少，较难复现。

关于这篇文章的贡献

①开发了一个名为RPDI的系统框架，以确定城市地区的POI需求。RPDI能够用大规模的人口流动数据识别城市规模不同类别的POI需求。

②提出了一个潜在因素模型来集成POI需求建模的区域偏好、POI 配置文件和人口特征。该模型有助于确定一组潜在因素，而这些因素反过来又可以以连贯的方式用于学习区域需求。

结论

首先提出了一个名为区域POI需求识别(RPDI)的框架，将POI需求与从其大规模移动性数据中确定的日常需求建模。然后，从人类流动数据中提取出城市旅游人员的日常活动模式。同时，在考虑POI偏好和供给以及人口特征的需求推断模型的基础上，我们同时估计了所有区域的POI需求。