论文笔记：Multi-perspective Spatiotemporal Context-aware NeuralNetworks for Human Mobility Prediction

1 intro

• 在预测人类移动性时，有两个信息方面值得我们关注。
  • 一方面，有个体轨迹特征，如时间周期性和趋势（如图1所示，个体倾向于在一天中、每天或每周频繁访问某些地点）
    • 
  • 另一方面，是整体人口或类似群体的移动趋势。
    • 对于稀疏观测的个体轨迹，作为整体的人类移动行为，特别是类似群体的行为，可以为预测提供重要支持
    • 
    • 提前识别两个用户为相似群体。尽管一名用户的轨迹数据稀少，我们仍可以根据相似群体中其他用户的轨迹推断目标用户的下一个位置
• ——>论文不仅考虑个体轨迹的时空背景，还从多个角度（个体-集体）建模人类移动性
  • 提出了一个多视角时空感知神经网络，用于下一位置预测
    • 多视角考虑：从宏观、中观和微观角度分别对个体、群体和整体人口的行为进行建模和表征。通过后期融合实现信息融合
    • 明确的时空表征：在建模个体轨迹时，明确整合了时间周期性、趋势和空间依赖性等时空特征

2 问题定义

• 给定一组空间单元𝑃，对于任何空间单元𝑝 ∈ 𝑃，我们可以使用[𝜆, 𝜑]来指示其纬度和经度
• 假设这些空间单元中有一些用户𝑈，任何用户𝑢𝑖 ∈ 𝑈都有一定的轨迹𝑇 𝑟𝑎𝑗𝑖 = [(𝑡𝑖,1, 𝑝𝑖,1), (𝑡𝑖,2, 𝑝𝑖,2), ...] 随着时间𝑡 ∈ 𝑇的变化
• 目标是利用用户的前𝛼步时空信息来推断接下来𝛽步的空间位置
  • 即，这个问题可以看作是找到一个复杂的映射关系𝑓，并利用人类移动的历史信息实现下一个位置的预测
  • 

3 模型