Sep, 2021

MobTCast：利用辅助轨迹预测进行人类移动预测

PDF
TL;DR本文提出了 MobTCast：一种基于 Transformer 结构的上下文感知的网络模型，用于预测未来的兴趣点（POIs）。此模型探究了 4 种上下文对预测的影响：时间，语义，社交和地理位置，并通过引入自我注意机制和地理位置预测分支以及一致性损失来提高预测性能。实验证明此模型优于现有的预测方法，并展示了包括上下文在内的多种因素对于下一个 POI 的预测具有重要意义。
mobility predictiontransformer-based networkcontextsocial contextlocation prediction
发现论文，激发创造
  • 利用语言基础模型进行人类移动预测

    本文提出了一种新的基于语言基础模型的时间序列模式挖掘流程，以用于人类移动预测任务，该模型通过引入特定提示将数值时间序列转换为句子，以便直接应用于现有语言模型，设计了一个 AuxMobLCast 流程用于预测每个 POI 的访客数量，结合了辅助 POI 分类和编码器 - 解码器架构，实证证明了该流程在移动性预测任务中发现序列模式的有效性，并在三个真实数据集上进行了评估，表现良好。

    Sep, 2022

  • 基于图形的移动建模研究：用于下一个兴趣点推荐的图形转换模型

    MobGT 是一种基于图神经网络和移动性图转换器的算法，能够全面利用图来捕捉用户移动模式中的空间和时间特征，并通过引入针对空间 - 时间数据的新型损失函数解决了长尾问题。

    Oct, 2023

  • 上下文感知轨迹预测

    本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型，用于人类在拥挤空间中运动和行为的预测。实验结果表明，该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。

    May, 2017

  • 城市级出行数字孪生在线轨迹预测

    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

  • 基于异构图的轨迹预测：局部地图环境和社交互动

    利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

    Nov, 2023

  • 通过自然语言生成技术实现人类移动性预测

    本文提出一种基于语言生成的人类移动趋势预测方法 SHIFT，通过将输入移动趋势描述句子转化为未来的移动状态描述，提高了移动预测模型的有效性和准确性。

    Dec, 2021

  • 预训练移动转换器：人类移动性基础模型

    利用大量的无标签用户轨迹序列，我们引入了预训练移动性 Transformer（PMT）模型，通过将地理区域转化为标记并在这些表示中嵌入空间和时间信息，从而理解城市空间和人类移动性的基础。在三个美国大都市地区进行的实验证明了 PMT 在捕捉地理和社会人口特征以及预测下一个位置、轨迹完整和轨迹生成等任务方面的优越性，为解码人类移动性的复杂模式和洞察城市空间功能和个体移动偏好提供了新的见解。

    May, 2024

  • 自主系统的空间和社会情境感知基于 Transformer 的轨迹预测

    提出了一种基于转换器的轨迹预测模型，通过社交张量将目标代理的位移特征丰富化，考虑和周围代理的社交互动信息，以实现对周围代理的反应预测。

    Jun, 2024

  • 多智能体张量融合用于上下文轨迹预测

    自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

    Apr, 2019

  • 空间 - 时间城市知识图谱启用的出行模式预测

    本文利用空间 — 时间城市知识图谱中的移动轨迹，特定地点类别信息及时间信息，设计了一个模型，旨在解决基于知识图谱技术的用户的远期移动预测问题，提高了预测精确度。同时，对 POI 类别作为背景知识和辅助信息的实验结果表明，可帮助提升预测精度。

    Nov, 2021