Personalized human mobility prediction for HuMob challenge

要約

人の移動予測のデータ分析コンテストであるHuMob Challengeに提出されるデータの作成方法について説明します。
人間の動きは人それぞれに固有であるという仮説に基づき、全体の動きから予測するのではなく、データから個人の動きの軌跡を予測するパーソナライズモデルを採用しました。
日時、活動時間、曜日、時間帯、POI（Point of Interest）への訪問頻度などの機能を工夫しました。
追加機能として、クラスタリングの採用により、同様の行動パターンを持つ他の個体の動きを組み込みました。
私たちが採用した機械学習モデルはサポート ベクター回帰 (SVR) でした。
オフライン評価により精度を評価し、特徴量の選択とパラメータのチューニングを実施しました。
提供されるデータセット全体は 100,000 人のユーザーの軌跡で構成されていますが、私たちの方法では 20,000 人のターゲット ユーザー データのみを使用し、他の 80,000 人のデータを使用する必要はありません。
パーソナライズされたモデルの従来の特徴エンジニアリング アプローチにもかかわらず、このモデルは、より低い計算コストでかなり高い精度をもたらします。

要約(オリジナル)

We explain the methodology used to create the data submitted to HuMob Challenge, a data analysis competition for human mobility prediction. We adopted a personalized model to predict the individual’s movement trajectory from their data, instead of predicting from the overall movement, based on the hypothesis that human movement is unique to each person. We devised the features such as the date and time, activity time, days of the week, time of day, and frequency of visits to POI (Point of Interest). As additional features, we incorporated the movement of other individuals with similar behavior patterns through the employment of clustering. The machine learning model we adopted was the Support Vector Regression (SVR). We performed accuracy through offline assessment and carried out feature selection and parameter tuning. Although overall dataset provided consists of 100,000 users trajectory, our method use only 20,000 target users data, and do not need to use other 80,000 data. Despite the personalized model’s traditional feature engineering approach, this model yields reasonably good accuracy with lower computational cost.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google