论文解读-STS-EPR：综合考虑空间、时间和社会维度对个人流动性进行建模

这是一篇采用基于EPR方法的人类轨迹生成方向的论文。这篇论文在建模人类移动模式时考虑了时间、空间和社交三个维度。

一、STS-EPR模型

该模型的运行包含四个阶段，分别为初始化阶段、动作选择阶段、位置选择阶段、动作修正阶段。

首先，将区域划分为$L=<(r_1,w_1),(r_2,w_2),...(r_n,w_n)>$,其中，$w_i$是某一个块的权重。

然后，用户a的访问模式由一个向量$l{v}_a$来表示，$l{v}_a[j]$表示$a$访问地区$j$的次数。

然后，用户的社交关系用一个图$G$来表示。

模型还有一个日志生成器MDG。

1.1 初始化

用户的行为日志由Markov方法来生成，$M{D}_a=<(a{b}_0,t_1),...,(a{b}_n,t_n),...>$。初始位置由区域的权重影响。

1.2 动作选择

动作分为探索和返回，其中以$P_{exp}=\rho S^{-\gamma }$的概率来进行探索，以$P_{ret}=1-\rho S^{-\gamma }$的概率进行返回。

1.3 位置选择

首先，一个人访问某个地点的概率计算为：

（1）个人探索：
使用Gravity概率，

（2）社会探索：

（3）个人返回：

（4）社会返回：

1.4 动作修正

（1）社会选择为空集：
选择相应的个人选择。
（2）没有新位置探索：
进行个人返回。
（3）没有位置可进行返回：
进行个人探索。

二、实验

作者选用了来自纽约、伦敦、东京三个城市的用户签到数据。baseline选择了Geosim、Ditras。

实验指标：
（1）JumpLength：两个连续位置之间的距离。
（2）Radius of Gyration rg：一个人在观察期间所走过的典型距离。
（3）每个位置 VI 的访问量，一个位置的相关性被描述为它在集体层面的吸引力；
（4）Location Frequency：访问一个位置ri的概率。
（5）等待时间Δt，两个连续访问位置之间经过的时间；
（6）熵$E_{unc}$：个人运动的可预测性。
（7）每小时活动 $t(h)$：个人在一天中的每个小时所做的移动次数。
（8）移动性相似性$mo{b}_{sim}$：两个人的位置向量的余弦相似度。

用KL散度来计算合成轨迹和真实轨迹之间的指标相似度。

结果如下图所示：

三、结论

提出了一种机械生成模型，该模型在合成移动轨迹的生成过程中同时考虑了空间、时间和社会维度。我们的结果表明，与缺乏社会、空间或时间机制的现有模型相比，同时对所有三个维度进行建模会产生更真实的轨迹。

未来改进的机会包括嵌入深度学习技术（例如，生成对抗网络和变分自动编码器）来对当前机制未捕获的移动性方面进行建模 。与此同时，我们的模型朝着设计机械模型迈出了一步，该模型可以完整地捕捉人类移动的所有方面。