MobilityDL:基于轨迹数据的深度学习综述
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
本文提出了一种基于无监督神经网络的移动行为聚类方法(DETECT),通过考虑移动行为的地理位置、采用嵌入式特征提取,进而实现在行为潜在空间内的聚类分析,得到了令人满意的实验结果。
Mar, 2020
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
本文研究基于深度学习和数据驱动方法来预测人类轨迹和建模社交交互的性能,同时提出了大规模基于交互的 TrajNet++ 基准,并在真实和合成数据集上进行了实验,验证了文中方法的可靠性。
Jul, 2020
提出了一种增强型移动流量预测方案,该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM),实验结果显示与最先进技术相比,性能提升达到 28%,证实了该方法的功效和可行性。
Dec, 2023
本文介绍了我们关于可解释的移动数据科学 XAI 方案的持续研究成果,重点是通过使用时空图神经网络和反事实方法从密集轨迹数据中学习可解释模型,如车辆和船舶的 GPS 轨迹,并回顾了现有的 GeoXAI 研究,主张采用以人为本的方法进行全面的解释,并概述了通向移动数据科学的 XAI 研究路径。
Jul, 2023
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%。
Nov, 2022
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