AAAIDec, 2023

人类移动的时空相互作用：一种具有超图表示的分层强化学习方法

PDF
TL;DR为了解决人类移动中的空间和时间因素对决策过程的影响，本研究引入了 “空间 - 时间诱导层次强化学习”(STI-HRL) 框架，以捕捉人类移动决策中空间和时间因素的相互作用。通过两个层次的决策过程，STI-HRL 通过专用的个体代理来解开空间和时间偏好，然后在高级层次集成这些考虑最终做出决策。在利用超图组织历史数据的基础上，我们提出了一个跨通道超图嵌入模块，用于学习表示状态以促进决策过程。我们在两个实际数据集上进行了广泛的实验，在各种性能指标上证实了 STI-HRL 方法在预测用户下次访问方面的优越性。
spatial-temporal dynamicshuman mobilitydecision-makinghierarchical reinforcement learninghypergraph embedding
发现论文，激发创造
  • 个体轨迹的联合时空表示学习

    本研究提出了一种空间 - 时间联合表示学习方法 (ST-GraphRL)，用于将可学习的空间 - 时间依赖性编码到轨迹表示中。该方法在预测移动空间 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间 - 时间模式。同时，该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。

    Dec, 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

  • 协调空间和时间抽象以实现目标表征

    通过引入空间和时间目标抽象的三层层次强化学习（HRL）算法提高目标表示性能，评估了该算法在复杂连续控制任务上学习到的空间和时间抽象的有效性以及遗憾边界的理论研究。

    Jan, 2024

  • 层次强化学习用于时间模式预测

    我们探索了使用分层强化学习（HRL）来预测时间序列的任务。结合深度学习和分层强化学习的方法，我们开发了一个股票智能体来预测历史股价数据的时间序列，以及一个车辆智能体来预测第一人称车载摄像头图像中的转向角。我们在两个领域的结果表明，称为封建式强化学习的一种 HRL 方法，在训练速度、稳定性和预测准确性方面都有显著的改进。其中的关键因素是多分辨率结构，将时间和空间抽象引入了网络层次结构。

    Oct, 2023

  • 多任务强化学习中的层次和可解释技能获取

    本文提出了一种用于有效的多任务强化学习的新框架，该框架可以训练代理人使用分层策略，决定何时使用先前学习的策略和何时学习新技能。该方法通过给代理人提供随机时间语法来帮助代理人学习分层策略中必要的复杂时间依赖关系，并在 Minecraft 游戏中进行了验证。

    Dec, 2017

  • 基于层次化时空表示学习的步态识别

    本文提出了一种分层时空表示学习 (HSTL) 框架，用于从粗到细提取步态特征，并通过多层特征映射和多尺度时间降采样来减少冗余信息，实验表明该方法在性能上优于现有方法并保持了模型准确度与复杂度的合理平衡。

    Jul, 2023

  • 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

  • 基于时空超图自监督学习的犯罪预测

    提出了一种基于超图自监督学习的空间 - 时间犯罪预测框架，用于解决标签稀缺问题，并在两个真实犯罪数据集上得到了显着优于现有基线的评估结果。

    Apr, 2022

  • 学习多智能体轨迹预测的社会时空图

    为了准确预测人群中行人的轨迹，需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法，即基于有向无环图的社会 - 时间图（STG）。利用 STGformer 模型，我们实现了端到端的流程，学习 STG 的结构用于轨迹预测，并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明，利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。

    Dec, 2023

  • 使用多头注意力深度强化学习解决动态图问题

    本文提出一种名为 Graph Temporal Attention with Reinforcement Learning (GTA-RL) 的新型框架，针对动态组合优化问题学习启发式解决方案。该框架结构包括一个能够嵌入组合问题实例的时间特征的编码器和一个能够动态聚焦于嵌入特征以找到所需组合问题实例的解码器，并针对实时版本组合优化问题进行了扩展。实验证明，与现有方法相比，该方法在动态和实时图组合优化方面具有更高的效率和优化求解器的有效性。

    Jan, 2022