从人类移动轨迹中学习带有空间层次感的细粒度位置嵌入
通过预先训练基于位置的嵌入来提高位置服务的性能,并利用 Geo-Tokenizer 减少训练的位置数量,在考虑位置的时间依赖性的同时,有效地训练分解的位置,从而提供更少的模型参数并改善下游任务的性能。
Oct, 2023
地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法,基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域,然后通过压缩自编码器转换为与任务无关的时间嵌入,该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割,将像素级嵌入转换为类似图像的通道,可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明,时间嵌入是时间序列数据的语义有意义的表示方法,并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示,可以与其他数据模态(如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等)相结合进行多模态学习,从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的,可以显著提高用户体验和用户安全。
Oct, 2023
通过自我监督学习方法,将地理空间活动时间序列转化成任务无关的时间嵌入表示,然后使用深度语义分割,将这些嵌入转换成用于下游任务的基于图像通道的表示,实现对住宅区和商业区等不同类型用地的分类。
Apr, 2023
本研究提出了一种基于数字孪生的人类移动预测方法,将粗粒度预测与细粒度预测分为两个阶段,通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。
Jun, 2022
本文提出了一种名为多图融合网络(MGFN)的模型,通过人类移动数据的地理位置相似性融合模块,将人类移动数据的多种模式嵌入到该模型中,这有助于进行交叉领域的预测任务,如犯罪预测,并在实际城市数据集上进行了广泛的实验,结果表明,MGFN 模型优于现有技术方法,最大提高了 12.35%。
Jan, 2022
基于国家级无标签人类流动数据进行事先训练的转换器能够通过微调形成对目标地理区域及其相应流动模式的深入理解,我们的预先训练嵌入在涵盖与人类流动直接和间接相关的广泛概念方面表现出良好性能,包括地理位置、距离、行政区划和土地覆盖等,通过大量实证分析,我们发现预先训练可以显著提升性能,在树木覆盖回归等任务中达到 38%,我们将这一结果归因于预先训练能够揭示原始数据中隐藏的有意义模式,并有助于建模相关的高级概念,预先训练的嵌入成为表征区域和轨迹的强大工具,在广泛的后续应用中具有潜在价值。
Jun, 2024
DeepMove 利用模型场景中的月度活动来学习地点的潜在表示。 该模型利用了空间和时间上下文,在地点分类和聚类任务中表现出良好性能。
Jul, 2018
Geospatial embeddings are crucial for city analytics and earth monitoring, but learning comprehensive region representations is challenging; this paper introduces GeoHG, an effective heterogeneous graph structure, to learn region embeddings by addressing intra-region feature representation and inter-region dependencies, demonstrating superior performance in geo-prediction tasks even with limited training data.
May, 2024
提出了一个名为 Space2Vec 的表示学习模型,用于将地点的绝对位置和空间关系进行编码,并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果,其特点是具有多尺度表示能力。
Feb, 2020
通过 Hierarchical Semantic Embedding (HSE) 框架在深层神经网络中整合不同层级的类别预测,从而实现对复杂图像的精细分类,该方法优于基线模型和现有竞争对手,可以应用于精细图像识别领域。
Aug, 2018