时空数据挖掘三（城市计算）

What is the Human Mobility in a New City: Transfer Mobility Knowledge Across Cities

随着物联网的发展，车辆、共享单车和移动设备的GPS轨迹反映了人们的出行模式和偏好，这对城市规划、企业选址等城市应用尤为重要。然而，由于隐私和商业方面的考虑，以及部署传感器的高成本和收集数据的长时间等因素，收集大量的人类移动数据并不容易，尤其是在新兴城市。基于人类移动是由起点和终点(origin and destination, OD)特征所反映的移动意图，以及对两者之间路径选择的偏好所驱动的这一直觉，通过迁移源城市的移动数据和多源数据，研究了为新目标城市生成移动数据的问题。该框架包含3个主要阶段:1)移动意图迁移，学习源城市间潜在的统一移动意图分布，并将该分布模型迁移到目标城市;2) OD生成，基于迁移的移动意图模型生成目标城市的OD对;3)路径生成，基于源城市的真实轨迹数据学习效用模型，生成每个OD对对应的路径。

此外，我们的轨迹生成器的演示在网上公开，适用于两个城市区域。在中国4个地区的大量实验结果验证了所提方案的有效性。此外，本文还以中国新开发地区雄安为例进行了实证研究。利用新城市中产生的轨迹，可以应用多种轨迹挖掘技术。 

 

 UrbanFM: Inferring Fine-Grained Urban Flows

城市流量监测系统在全球智慧城市建设中发挥着重要作用。然而，监控设备(如闭路电视)的普遍部署导致维护和运行成本长期居高不下。这表明需要一种技术，可以减少部署的设备数量，同时防止数据准确性和粒度的退化。本文的目标是基于粗粒度的观察来推断城市中的实时细粒度人群流动。由于粗、细粒度城市流之间的空间相关性以及外部影响的复杂性，这一任务具有挑战性。为了解决这些问题，本文开发了一种基于深度神经网络的方法UrbanFM。该模型由两大部分组成:1)一个推理网络，通过使用特征提取模块和新的分布上采样模块，从粗粒度输入中生成细粒度流分布;2)综合考虑不同外部因素的影响，提出一种通用融合子网，进一步提升系统性能。在两个真实数据集上的大量实验验证了所提方法的有效性和效率，展示了其在该问题上的最新性能

 

 

 

 图3描述了UrbanFM的框架，它由两个主要组件组成，分别用于进行结构约束推理和捕获复杂的外部影响。

 TrajGuard:A Comprehensive Trajectory Copyright Protection Scheme

轨迹数据在城市应用中有着广泛的应用。轨迹数据包含移动对象的隐私信息，在有效监督下共享轨迹数据是一项重要任务。然而，恶意数据用户可以通过各种方式修改轨迹，以避免使用基于哈希的数据签名(如MD5)跟踪数据分布。此外，现有的轨迹数据保护方案只能保护轨迹不受空间或时间上的修改。最后，由于轨迹数据过于敏感，目前还没有权威的第三方机构对轨迹数据的共享过程进行研究。为此，提出一种新的轨迹版权保护方案，能够保护轨迹数据免受多种类型的数据修改/攻击。为了有效地保证数据共享的鲁棒性和全面性，采用了3种主要技术:1)将身份信息分布地嵌入到基于时空区域划分的子轨迹中;2)将子轨迹的质心距离作为稳定轨迹属性进行信息嵌入;3)使用区块链技术作为可信第三方，以去中心化的方式记录所有数据交易历史，实现数据分发跟踪。在两个真实轨迹数据集上进行了大量实验，验证了所提方案的有效性。

 图2给出了trajguard的概述。它可以抵抗一系列全面的轨迹修改/攻击，详情见第3节。该方案有三个主要过程:1)身份嵌入(详见第4节)，2)所有权检测(详见第5节)，3)所有权跟踪(详见第6节)。

 DRN: A Deep Reinforcement Learning Framework for News Recommen