Oct, 2023

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

PDF
TL;DRMobGT 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。
point-of-interest recommendationgraph neural networksspatial-temporal informationmobility graph transformerlong-tailed problem
发现论文，激发创造
  • MobTCast：利用辅助轨迹预测进行人类移动预测

    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。

    Sep, 2021

  • MobilityGPT：基於 GPT 模型的增強人類移動行為建模

    通过提出地理感知的生成模型 MobilityGPT，该研究利用生成预训练变压器（GPT）将人类移动性建模为一个自回归生成任务，并采用基于引力的抽样方法和道路连接矩阵来确保生成的轨迹符合地理空间限制，在减轻挑战的同时生成高质量、接近真实数据的移动轨迹。

    Feb, 2024

  • 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

  • 基于时空感知图变换器的交易欺诈检测

    本文提出了一种名为 STA-GT 的异构图神经网络，通过引入一种时间编码和转换器模块，来捕获时间依赖性、识别欺诈性交易和促进时空信息建模，具有改进的表现能力。在两个金融数据集上进行的实验证明了该方法在交易欺诈检测任务上的有效性。

    Jul, 2023

  • GETNext: 轨迹流图增强 Transformer 用于下一个 POI 推荐

    本文提出了一个基于 GETNext Graph enhanced Transformer 模型的方法，通过将用户的全局移动模式、用户偏好、时空背景以及类别嵌入放在了一个 Transformer 模型中，有效地利用了协作信号以提高下一个 POI 推荐的准确性，同时缓解了冷启动问题。实验证明，该模型在解决空间 - 时间方面的建议问题上的性能大大优于现有技术，指出了解决冷启动问题的方法。

    Mar, 2023

  • 基于时空扩展图神经网络的人类移动仿真

    本研究提出了一种新的框架，即 SpatioTemporal-Augmented gRaph 神经网络（STAR），以建模地点的动态时空影响和优化人类移动轨迹的生成过程，结果优于现有最先进的方法。

    Jun, 2023

  • 交通流预测的自适应图空时转换网络

    该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

    Jul, 2022

  • GTrans: 带有图嵌入的时空自回归变换器用于极端事件的实时预测

    提出了一种名为 GTrans 的时空模型，该模型将数据特征转换为图嵌入，并使用变压器模型预测时间动态，并能够对极端事件进行预测，可在社交网络，道路交通，物理和化学属性预测等领域应用。

    Jan, 2022

  • 使用 Transformer 学习动态和分层交通时空特征

    本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

    Apr, 2021

  • 通过移动树学习时间槽偏好以用于下一个 POI 推荐

    通过使用创新的数据结构 Mobility Tree 和多任务框架 MTNet，本研究在三个真实世界的位置基社交网络 (LBSN) 数据集上进行了实验证明，时间段偏好学习在下一个 POI 推荐中具有有效性。

    Mar, 2024