Multi-Graph Fusion Networks for Urban Region Embedding

从人类移动数据中学习城市区域的嵌入可以揭示区域的功能，然后实现相关但不同的任务，如犯罪预测。人体移动数据包含了丰富而丰富的信息，可以为跨域任务提供全面的区域嵌入。本文提出多图融合网络(MGFN)来实现跨域预测任务。首先，通过移动图融合模块将具有时空相似性的图作为移动模式进行融合;然后，在移动模式联合学习模块中，设计了基于模式内和模式间信息的多层次交叉注意力机制，从多种移动模式中综合学习嵌入信息;最后，在真实城市数据集上进行了广泛的实验。实验结果表明，MGFN的性能比现有方法最高提升13.11%。

 区域与人流量之间存在相互关系

 

 

 3.1 Mobility Graph Fusion

将该问题建模为时间序列移动多图融合(MGF)来提取移动模式。首先，定义移动图距离(mobility graph distance, MGD)来计算移动图之间的距离，并利用基于MGD的聚类方法对相似移动图进行聚类;