时空数据挖掘四（城市计算）

DeepMove: Predicting Human Mobility with Attentional Recurrent Networks

Human mobility prediction 对于广泛的基于位置的应用程序至关重要。然而，由于3个方面的挑战，移动预测并不容易:1)表现出复杂的时序转换规律，具有时间依赖性和高阶性;2)人类活动的多层次周期性;以及3)轨迹数据的异构性和稀疏性。本文提出DeepMove，一种用于从长而稀疏的轨迹中进行移动性预测的注意力循环网络。在DeepMove中，首先设计了一个多模态嵌入循环神经网络，通过联合嵌入控制人类移动的多种因素来捕捉复杂的顺序转换。然后，提出了一种具有两种机制的历史注意力模型，以原则性地捕获多层周期性，有效地利用周期性来增强循环神经网络以进行移动性预测。在三个具有代表性的真实移动数据集上进行了实验，广泛的评估结果表明，所提出的模型比最先进的模型性能提高了10%以上。此外，与最新的神经网络模型相比，DeepMove为预测提供了直观的解释，为可解释的移动预测提供了思路。 

 THE DEEPMOVE MODEL

 图3展示了Deepmove的架构。它由3个主要部分组成:1)特征提取和嵌入;2)循环模块和历史注意力;和3)预测。

Historical Attention Module

为了捕捉人类移动的多层次周期性，需要一个自动选择器从轨迹历史中选择与当前移动状态最相关的历史记录作为周期性表示。设计了一个历史注意力模块来实现自动选择器。如图3所示，它由两个部分组成:1)一个注意力候选生成器来生成候选项，这些候选项正是移动的规律;2)注意力选择器，用于将候选向量与查询向量(即当前移动状态)进行匹配。首先介绍了注意力模块的基本构成，然后讨论了两种特定的候选项生成机制。

 Activity Trajectory Generation via Modeling Spatiotemporal Dynamics

人类的日常活动，如工作、外出就餐和旅行，在追踪接触者和模拟COVID-19大流行的扩散模式方面发挥着至关重要的作用。然而，由于隐私问题和商业考虑，从真实场景中收集的个体层面的活动数据非常有限。本文提出一种基于生成式对抗性模仿学习的新框架，以生成既保留真实世界数据的保真度又可用性的人工活动轨迹。为解决不规则采样活动固有的随机性和稀疏性，本文创新地通过利用神经微分方程来捕捉轨迹背后的时空动力学。将连续活动之间的连续流动动态和观测活动点的瞬时更新融入到时间演化和空间变换中。在两个真实数据集上的广泛实验表明，所提出的框架在提高数据保真度和数据效用方面取得了优于最新基线的性能，以促进实际应用。此外，将合成数据应用于COVID-19传播建模，其仿真MAPE较基线降低50%以上，取得了更好的性能。 

 

 

 左图2显示了状态转换背后的时空动态学习。将从观测轨迹中提取的状态作为输入，在连续时间内学习一个嵌入过程𝑔(𝑡)来描述时空动态。具体地，我们