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
- 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
- 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。
- 其中移动记录𝑟𝑘 = (𝑢𝑖𝑑, 𝑑, 𝑡, 𝑐𝑥, 𝑐𝑦);
- 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〉