Nov, 2022

自监督解缠学习预测人类移动

PDF
TL;DR通过提出一种名为 SSDL 的新算法，该算法使用深度神经网络来处理大规模空间 - 时间轨迹数据，利用离散学习的方法提取潜在的时间不变和时间变化因素，通过增强不同的轨迹增强方法来解决稀疏性问题和探索历史签入背后的异构协作信号，以解决下一个 POI（点 of interest）预测问题。在四个真实世界数据集上进行的广泛实验表明，SSDL 在 ACC@1 上的表现显著优于现有的同类方法，例如在 ACC@1 上提高了 8.57％。
deep neural networksspatial-temporal trajectoriesdisentanglement learningpoi predictiontrajectory augmentation
发现论文，激发创造
  • 建模双向时空依赖与用户动态偏好进行遗漏 POI 签到识别

    本文提出了一种 Bi-STDDP 模型，通过整合双向时空相关性和用户动态偏好识别具有缺失 POI 签到信息和时间的用户所访问的地点，结果在三个大规模真实世界数据集上表现出优于最先进方法的显著改进，并可扩展应用于 POI 推荐和位置预测任务。

    Dec, 2021

  • 利用含噪监督拆解人类动力学以预测行人的行走

    本研究提出了一种方法，用于在自我视角下联合预测人体上多个关键点的空间位置，以预测人的步行姿势，包括使用最新模型生成嘈杂标注和使用 Quasi RNN 作为骨干的层次化轨迹预测网络等，获得在自我视角下预测人体步行姿势方面的最新结果。

    Nov, 2019

  • 通过自监督静态 - 动态解缠缚，从单幅图像中查看 3D 物体

    本文提出一种无监督学习方法，通过观察未标记的多视角视频，学习将一个包含多种物体的复杂场景的单幅图像观察映射到一个三维神经场景表示，可以将该表示分解为可移动和不可移动的部分，并通过神经渲染进行自监督训练，从而实现基于对象的三维表示、新视角合成、实例分割和三维边界框预测等多种下游任务，并通过对象操作（如删除、插入和刚体运动）实现场景编辑。

    Jul, 2022

  • 深度学习人类移动性调查

    通过对人类活动的深入研究，结合大量的数字移动数据和人工智能的预测能力，运用深度学习模型，以以往的机械学习模型为基础，归纳整理的分类学，对多个任务（如下一位置预测、人流预测、轨迹和流预测）进行研究，是对人类移动的前沿研究。同时解决基础概念和现有挑战，方便深度学习科学家和实践者的理解。

    Dec, 2020

  • DisenPOI: 点 - of-Interest 推荐中序列和地理影响的分离

    本篇论文提出了一种基于双图的 POI 推荐方法 DisenPOI，旨在通过利用顺序和地理关系、自我监督等手段，将这两种影响区分开来， 实现更好的 POI 推荐效果。

    Oct, 2022

  • 利用具有空间感知的深度关注模型进行人类轨迹预测

    提出了一种端到端的基于深度学习的模型，该模型使用来自不同导航模式的数据直接学习人类的运动模式，包括一个软关注机制和一种新颖的方法来预测动态轨迹，同时还考虑了场景中的静态物体存在，通过在行人轨迹数据集上的测试结果显示，可以显著优于现有的最新技术水平，也可以自然地扩展到同时处理多个移动模式。

    May, 2017

  • 基于对比自监督学习中的时间特征对齐的人体动作识别

    本研究中，我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达，提出了一种用于人类活动识别的动态时间规整 (DTW) 算法，强制特征在时间维度上对齐。我们的实验结果显示，该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力，并在半监督学习中明显优于监督模型。

    Oct, 2022

  • LLM 信息支持下的语义轨迹数据挖掘与 POI 分类

    本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

    May, 2024

  • MobilityDL：基于轨迹数据的深度学习综述

    对轨迹数据的深度学习方法进行了综合概述，并通过对移动性数据的数据中心分析，从 2018 年以来的文献进行了全面的定量回顾，探讨了八个特定的移动性应用案例及其训练数据的使用。

    Feb, 2024

  • 基于时空对比自监督学习的 POI 级人群流推理

    准确获取景点的人群流量对于有效的交通管理、公共服务和城市规划至关重要。然而，由于城市感知技术的限制，大多数数据来源的质量不足以监测每个景点的人群流量，从低质量数据推断准确的人群流量成为一项关键且具有挑战性的任务。为了应对这些挑战，我们将人群流量推测问题重新定义为自监督的属性图表示学习任务，并引入了一种名为 Contrastive Self-learning framework for Spatio-Temporal data (Model) 的新颖方法。我们的方法首先基于景点及其之间的距离构建了一个空间邻接图，然后采用对比学习技术来利用大量无标签的时空数据。我们采用了交换预测方法来预测目标子图的表示形式。在预训练阶段之后，模型通过准确的人群流量数据进行微调。我们在两个真实数据集上进行的实验证明，经过广泛噪声数据的预训练的 Model 始终优于从头开始训练的模型。

    Sep, 2023