论文笔记：Cell-Level Trajectory Prediction Using Time-embeddedEncoder-Decoder Network

2023 SigSPATIAL workshop

1 intro

• 预测人类流动性是一个基本功能，已在微观或宏观层面进行了各种研究
  • 在微观层面，研究的主流是使用个体人类轨迹进行预测，并将障碍物和建筑元素等作为额外特征
    • 此外，如果一个人正在使用交通工具，则还会考虑相关的限制（例如，在使用汽车的情况下，考虑道路网络）
  • 在宏观层面（或城市范围内），研究不是关注个体人类轨迹，而是专注于将城市或更大区域划分为特定大小的网格单元，并在细胞层面上进行聚合，以预测人类流动性的概率分布
• 论文通过空间-时间嵌入层结合空间和时间信息，并适当学习生成的嵌入向量以适应序列到序列（seq2seq）编码器-解码器模型的结构

2 问题描述

首先将原始收集的轨迹数据分段，形成单元级轨迹

• 定义 2.1（单元级轨迹）：单元级轨迹是移动记录序列𝑇 = 〈𝑟1, 𝑟2, ..., 𝑟𝑛〉
  • 其中移动记录𝑟𝑘 = (𝑢𝑖𝑑, 𝑑, 𝑡, 𝑐𝑥, 𝑐𝑦)；
    • 𝑢𝑖𝑑是移动对象的唯一标识符；
    • 𝑑和𝑡分别表示日期和时间戳；
    • 𝑐𝑥和𝑐𝑦是网格单元的坐标。
• 问题表述：给定单元级轨迹𝑇𝑖 = 〈𝑟1, 𝑟2, ..., 𝑟𝑛〉，相应的历史单元级轨迹𝑇1, 𝑇2, ..., 𝑇𝑖−1，以及我们想要进行预测的时间信息序列𝑝𝑡 = [(𝑑𝑛+1, 𝑡𝑛+1), ..., (𝑑𝑛+𝑘, 𝑡𝑛+𝑘)]，预测未来的单元级轨迹𝑇𝑖+1 = 〈𝑟𝑛+1, 𝑟𝑛+2, ..., 𝑟𝑛+𝑘〉

3 框架

4 实验