论文笔记:Estimating future human trajectories from sparse time series data

sigspatial 2023 humob竞赛paper

hiimryo816/humob2023-MOBB (github.com)

1 数据集分析

这里只分享了HuMob数据集1的内容

1.1 假日分析

  • 对HuMob数据集#1地理数据的方差分析显示了非工作日的模式
    • 在某些天的y坐标方差中有显著的峰值,这是非工作日的象征
    • 【x坐标有相似的模式】

------>识别了任务1数据集中最有可能是非工作日的日子

2 方法

2.1 方法1

  • 提出方法的基石,依赖于基于规则的机制
    • 用于预测常规和习惯性的移动,特别擅长处理工作日和常规商业时间的场景
    • 引入时间衰减因子增加了动态性,使模型能够适应用户不断变化的日常活动
    • k是通过经验优化训练数据的性能得到的,0.0063

2.2 方法2

  • 在方法1的基础上进行扩展,通过聚合每三个时间步骤而不是分析每个单独的时间步骤来进行
  • k变成了0.0178

2.3 方法3

  • 方法3 的目标是通过智能选择方法1和方法2生成的预测,使用 GEOBLEU 或 DTW 评估指标作为选择标准,以提高最终位置预测的准确性
    • 对于方法1和方法2,每天为每个用户计算 GEOBLEU 或 DTW 得分
    • ------>允许我们识别出每个具体日子哪种方法产生了更准确的预测
  • 为了促进分类任务,论文合并了反映用户行为的各种特征
    • 用户移动的倾向性和变化性
    • 不同时间段的活跃度水平
    • 位置数据的分散性
    • ------>通过整合这些多样化的特征,旨在捕捉用户行为的细微模式,从而增强模型在每个实例中准确选择更优方法的能力
  • 采用了四种不同的模型集成------随机森林、XGBoost、LightGBM 和 CatBoost

2.4 后处理

对于方法1、2和3,某些时间步骤由于缺乏历史数据而无法生成预测结果。为了解决这一问题,采用了系统的后处理程序,确保最终位置预测的全面性和可靠性。程序包括以下步骤:

  1. 用方法2预测填充: 当方法3的分类模型选择方法1并产生许多空值时,使用方法2的预测作为后备。
  2. 向前填充: 对于每个用户、每天和每个时间步骤,用最后观察到的非空值填充预测中的空值。
  3. 向后填充: 类似地,用每个用户在相应日子上随后观察到的非空值填充任何剩余的空值。
  4. 用最常访问位置填充: 如果任何时间步骤仍包含空值,则这些空值将被相应用户最常访问的位置替换,这提供了一个基于历史行为的可靠替代。

2.5 数据集切分

相关推荐
Bearnaise2 天前
GaussianDreamer: Fast Generation from Text to 3D Gaussians——点云论文阅读(11)
论文阅读·人工智能·python·深度学习·opencv·计算机视觉·3d
PD我是你的真爱粉2 天前
Quality minus junk论文阅读
论文阅读
regret~3 天前
【论文笔记】LoFLAT: Local Feature Matching using Focused Linear Attention Transformer
论文阅读·深度学习·transformer
Maker~3 天前
23、论文阅读:基于多分辨率特征学习的层次注意力聚合GAN水下图像增强
论文阅读·学习·生成对抗网络
Q_yt3 天前
【图像压缩感知】论文阅读:Content-Aware Scalable Deep Compressed Sensing
论文阅读
江海寄3 天前
[论文阅读] 异常检测 Deep Learning for Anomaly Detection: A Review(三)总结梳理-疑点记录
论文阅读·人工智能·深度学习·机器学习·计算机视觉·语言模型·视觉检测
江海寄3 天前
[论文阅读] 异常检测 Deep Learning for Anomaly Detection: A Review (四)三种分类方法对比
论文阅读·人工智能·深度学习·机器学习·计算机视觉·分类
代码太难敲啊喂3 天前
【Anomaly Detection论文阅读记录】Resnet网络与WideResNet网络
论文阅读·人工智能
YunTM3 天前
革新预测领域:频域融合时间序列预测,深度学习新篇章,科研涨点利器
论文阅读·人工智能·深度学习
Ayakanoinu3 天前
【论文阅读】Adversarial Examples for Handcrafted Features
论文阅读