通过建模时空异质性来实现人群移动预测

通过建模时空异质性来实现人群移动预测 城市人群流动预测是赋能一系列移动计算服务的关键。然而，我们发现人群流动性存在时空异质性，导致基于（深度图神经网络）传统同质聚集的预测方法性能较差。考虑机器学习中的两个基本因素，即数据和目标，我们提出通过提高数据利用率和改善优化目标来应对这种异质性。1)从数据利用的角度，我们发现人群流动异质性本质上是由与流动性相关的环境因素引起的，因此可以利用这些因素来学习异质的流动性模式；2)从优化角度来看，待预测元素之间的依赖关系提供了一个额外的潜在先验，可用于提升预测性能。具体来说，我们提出了一种新的上下文定向时空图网络(CD-STGNet)来建模数据间的复杂依赖及异质性，实现准确的迁移预测。首先，我们将上下文编码及其交互信息输入到一个提出的方向场学习器中，学习有向的空间聚合，提高数据利用率；其次，针对序列学习和优化目标，设计了上下文-趋势间的高速公路（学习通道）实现上下文感知的时序依赖学习，同时提出了两个正则化目标，使预测元素之间的相关性与事实保持一致。大量的数据和实验验证了不同类型的人群移动间及同一类型人群移动内均存在时空异质性，且CD-STGNet比同类基准模型的性能高出至少13%，同时提高了上下文个性化学习的解释性。我们的经验观测和技术方案能够为城市智能应用的发展同时提供定性、定量和技术性的指导。 本工作系统地从对抗时空异质性的角度构建了人群集体流动预测模型，具有理论、技术和实验经验上的贡献。我们首先通过推导关于上下文条件联合熵的不等式，并将三个上下文感知的人群流动数据集可视化，从理论和经验上验证了上下文感知预测的必要性。在技术上，我们将人群流动性的时空异质性归因于环境因素，并提出了一个CD-STGNet（上下文-有向时空学习器）来建模这种异质性。论文从两个方面有效建模了时空异质性，即提高数据利用率和学习目标，首先提出节点聚合方向学习器和以上下文为输入的上下文-趋势学习通道，分别获得有向空间聚合和上下文感知时序依赖学习。为了保留预测目标元素之间的异质依赖性，我们设计了两个新的目标shape-trend和covariance，以捕获定向时序趋势和异质的节点级相关性。