论文笔记:AttnMove: History Enhanced Trajectory Recovery via AttentionalNetwork

AAAI 2021

1 intro

1.1 背景

  • 将用户稀疏的轨迹数据恢复至细粒度的轨迹数据是十分重要的
  • 恢复稀疏轨迹数据至细粒度轨迹数据是非常困难的
    • 已观察到的用户位置数据十分稀疏,使得未观察到的用户位置存在较多的不确定性
    • 真实数据中存在大量噪声,如何有效的挖掘周期性规律存在一定困难
    • 经常在历史轨迹中被访问的地点并不一定会是目标时间窗缺失的地点,如何利用用户历史上的位置数据是另一个挑战

1.2 论文思路

  • 提出了一个基于注意力机制的神经网络结构AttnMove用以恢复用户的移动位置
  • 主要从以下三个方面着手解决数据稀疏问题
    • 为了获取用户移动特征及推测缺失数据中最有可能访问的地点,本文利用轨迹内注意力机制设计了一个当前处理器用以初步填补缺失位置
    • 利用另一个轨迹内注意力 机制设计了一个历史处理器用以挖掘不同历史轨迹的周期性特征
    • 为了融合当前处理器以及历史处理器提取出来的特征并预测用户缺失地点,本文提出了一个基于轨迹间注意力地点生成注意力 机制的轨迹恢复模块
      • 轨迹间注意力机制------用于生成历史轨迹对于当前移动状态影响的权重
      • 地点生成注意力机制------用于考虑时空约束

2 问题定义

  • 轨迹:一个用户一天内按时间顺序的活动位置序列
      • 表示用户u在第n天第t个时间间隙所处的位置
      • 如果用户在t个时间间隙的位置信息未被观察到,则为空
    • 为用户当前轨迹,为用户u的历史轨迹

本文将轨迹恢复问题定义为,给定一个用户当前轨迹及历史轨迹,恢复当前轨迹中的缺失位置信息,用以重建当前轨迹

3 模型

4 实验结果

4.1 数据

  • 分别在Tencent及Geolife两个数据集上进行了实验。
  • 将北京地区划分成10655个格子,每个格子平均256平方米,每条轨迹的时间间隙设定为30分钟

4.2 结果

MAP是平均Precision

相关推荐
UQI-LIUWJ8 小时前
论文笔记:Instruction-Tuning Llama-3-8B Excels in City-Scale MobilityPrediction
论文阅读
胆怯的ai萌新10 小时前
论文阅读《Proximal Curriculum for Reinforcement Learning Agents》——提升智能体学习速度的
论文阅读
墨绿色的摆渡人1 天前
论文笔记(七十四)Dense Policy: Bidirectional Autoregressive Learning of Actions
论文阅读
s1ckrain1 天前
【论文阅读】VideoMerge: Towards Training-free Long Video Generation
论文阅读·人工智能·计算机视觉
Ayakanoinu1 天前
【论文阅读】Dynamic Adversarial Patch for Evading Object Detection Models
论文阅读·目标检测·目标跟踪
寻丶幽风1 天前
论文阅读笔记——ReconDreamer
论文阅读·笔记·自动驾驶·3dgs·世界模型·闭环仿真
金科铁码1 天前
提示词工程 — 科研论文笔记
论文阅读
0x2112 天前
[论文阅读]Attacking Open-domain Question Answering by Injecting Misinformation
论文阅读
黄雪超2 天前
Flink介绍——实时计算核心论文之S4论文详解
大数据·论文阅读·flink
Matrix_112 天前
论文阅读:GS-Blur: A 3D Scene-Based Dataset for Realistic Image Deblurring
论文阅读·人工智能·计算摄影