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
无妄无望1 小时前
目标计数论文阅读(2)Learning To Count Everything
论文阅读·everything
七元权1 小时前
论文阅读-Correlate and Excite
论文阅读·深度学习·注意力机制·双目深度估计
李加号pluuuus1 小时前
【论文阅读】Language-Guided Image Tokenization for Generation
论文阅读
ZHANG8023ZHEN1 小时前
fMoE论文阅读笔记
论文阅读·笔记
张较瘦_1 小时前
[论文阅读] 人工智能 + 软件工程 | 大语言模型驱动的多来源漏洞影响库识别研究解析
论文阅读·人工智能·语言模型
有Li10 小时前
基于联邦学习与神经架构搜索的可泛化重建:用于加速磁共振成像|文献速递-最新医学人工智能文献
论文阅读·人工智能·文献·医学生
川川子溢1 天前
【论文阅读】MEDDINOV3:如何调整视觉基础模型用于医学图像分割?
论文阅读
Xy-unu1 天前
[VL|RIS] RSRefSeg 2
论文阅读·人工智能·transformer·论文笔记·分割
张较瘦_1 天前
[论文阅读] 告别“数量为王”:双轨道会议模型+LS,破解AI时代学术交流困局
论文阅读·人工智能
贝塔实验室2 天前
两种常用的抗单粒子翻转动态刷新方法
论文阅读·经验分享·笔记·科技·学习·程序人生·fpga开发