REPLAY: Modeling Time-Varying Temporal Regularities of Human Mobility for Location Prediction over Sparse Trajectories

要約

位置予測は、ユーザーの移動履歴の履歴に基づいてユーザーの位置を予測します。
現実世界のユーザー モビリティ トレースの本質的な希薄性の問題に取り組むには、時空間コンテキストが非常に有用であることが示されています。
既存のソリューションでは、モビリティ トレース内の位置間の時空間距離を、リカレント ニューラル ネットワーク (RNN) への追加入力としてフィードするか、予測のための有益な過去の隠れ状態の検索に使用することによって組み込んでいます。
しかし、このような距離ベースの方法では、人間の移動の時間変化の時間的規則性を捉えることができません。たとえば、人間の移動は午前中に他の時間帯よりも規則的に行われることがよくあります。
これは、時間的距離以外に実際のタイムスタンプが有用であることを示唆しています。
このような背景に対して、我々は位置予測のために時変する時間的規則性を捕捉することを学習する一般的な RNN アーキテクチャである REPLAY を提案します。
具体的には、REPLAY は、まばらな軌跡の時空間距離を利用して有益な過去の隠れた状態を検索するだけでなく、タイムスタンプ固有の学習可能な帯域幅を備えたガウス加重平均を使用した平滑化されたタイムスタンプの埋め込みを組み込むことで、時変する時間的規則性にも対応します。
異なるタイムスタンプにわたる異なる強度の時間的規則性に適応します。
私たちの広範な評価では、REPLAY を 2 つの現実世界のデータセットに関する最先端技術の膨大なコレクションと比較しています。
結果は、REPLAY が位置予測タスクにおいて最先端の手法を一貫して大幅に 7.7\%-10.9\% 上回るパフォーマンスを示し、帯域幅から時間変化する時間的規則性の興味深いパターンを明らかにしました。

要約(オリジナル)

Location prediction forecasts a user’s location based on historical user mobility traces. To tackle the intrinsic sparsity issue of real-world user mobility traces, spatiotemporal contexts have been shown as significantly useful. Existing solutions mostly incorporate spatiotemporal distances between locations in mobility traces, either by feeding them as additional inputs to Recurrent Neural Networks (RNNs) or by using them to search for informative past hidden states for prediction. However, such distance-based methods fail to capture the time-varying temporal regularities of human mobility, where human mobility is often more regular in the morning than in other periods, for example; this suggests the usefulness of the actual timestamps besides the temporal distances. Against this background, we propose REPLAY, a general RNN architecture learning to capture the time-varying temporal regularities for location prediction. Specifically, REPLAY not only resorts to the spatiotemporal distances in sparse trajectories to search for the informative past hidden states, but also accommodates the time-varying temporal regularities by incorporating smoothed timestamp embeddings using Gaussian weighted averaging with timestamp-specific learnable bandwidths, which can flexibly adapt to the temporal regularities of different strengths across different timestamps. Our extensive evaluation compares REPLAY against a sizable collection of state-of-the-art techniques on two real-world datasets. Results show that REPLAY consistently and significantly outperforms state-of-the-art methods by 7.7\%-10.9\% in the location prediction task, and the bandwidths reveal interesting patterns of the time-varying temporal regularities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google