本文提出了一个新的分层时空注意力神经网络 ——AttnTUL，用于联合编码局部轨迹过渡模式和全局空间依赖性，以实现轨迹 - 用户链接，并使用各种轨迹数据集证明了其在性能上优于最先进的基线模型。

Feb, 2023

本文提出了一种名为 MainTUL 的新型互相蒸馏学习网络，用于解决移动轨迹 - 用户链接 (TUL) 的问题，该问题主要由于签到移动性数据的稀疏性造成。MainTUL 由循环神经网络轨迹编码器和时间感知的 Transformer 轨迹编码器组成，通过对历史轨迹学习的知识在两个轨迹编码器之间传递，实现了信息的互相蒸馏。在两个真实世界的签到移动性数据集上的实验结果表明，MainTUL 优于现有的基线方法。

May, 2022

通过大型语言模型（LLMs）推理轨迹语义的 Trajectory Semantic Inference with Large Language Models (TSI-LLM) 框架通过人类移动性模式的复杂分析，提高了轨迹数据的语义分析能力。

May, 2024

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

本文提出了一种方法来建模词群之间的流动行为、识别不同用户群体之间词汇聚类的先导滞后关系，使用基于动态时间扭曲的改进 Bayesian 条件协整来学习不同群体词汇之间的联系，采用基于张量的技术将这些链接单词聚类到不同的簇（ideas）中并跟踪 ideas 的流动，经过实验验证，该方法相对于传统聚类技术和精度更高，可用于帮助用户了解社交媒体上不同用户群体之间想法的流动。

Dec, 2015

本文提出了一种新的基于特征学习技术的社交关系推断攻击方法，它可以预测任意两个人之间的社交关系，并且不需要具有任何先前的社交关系知识，而且作者还提出了三种防御机制来降低移动数据分享带来的社交连接隐私风险。实验结果表明，隐藏和替换机制是最有效的，二者在效用和隐私之间提供了可比较的权衡。

Aug, 2017

通过追踪 100,000 个匿名移动电话用户 6 个月的位置，发现人类运动的行为规律性，即每个人都具有一个时间无关特征尺度，并有极高的概率返回特定位置，这种旅行模式可与单一的空间概率分布相一致，这对城市规划、疫情预防和紧急响应等方面有重要的影响。

Jun, 2008

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

我们通过使用真实世界的用户签到数据培训了一个大规模的轨迹模型，通过预训练和微调范式的方法，我们提出了一种新颖的空间标记化块来应对嘈杂数据和大量空间词汇。通过对三个下游任务的微调，我们展示了基本模型已经有效地学习了原始数据中有价值的潜在模式，从而实现了有意义的轨迹智能任务的应用。尽管存在一些局限性，我们认为这项工作对于实现轨迹智能的基础模型是一个重要的进步。

Nov, 2023

本研究提出了一种新颖的神经网络模型，通过联合建模社交网络和移动轨迹，可以更好地分析和挖掘地理位置社交网络（LBSN）数据。通过考虑四个影响移动轨迹生成过程的因素来建模移动轨迹，最终在两个重要应用的实验结果中验证了模型的有效性。

Jun, 2016