基于双重图卷积注意力网络的个体移动预测

本文推荐的是由清华大学、蒙纳士大学和北京大学2022年共同发表于WSDM会议的一篇文章，作者创新的提出了一种新的图卷积双注意力网络框架Graph Convolutional Dual-attentive Networks (GCDAN)，用以提升人类用户移动预测的准确性。

Predicting Human Mobility via Graph Convolutional Dual-attentive Networks

Weizhen Dang, Haibo Wang, Shirui Pan, Pei Zhang

1.背景和问题

当前已有的关于人类移动预测这个课题的解决方案，均无法很好的解决3个问题：轨迹数据的稀疏性、不准确性以及复杂的序列相关性。 从智能交通规划、调度到个性化推荐等基于位置的应用场景，个体的轨迹预测问题都非常重要，传统的基于模式挖掘的方法，如矩阵分解，隐马尔可夫链等，可以捕获典型的个体移动模式，但是难以捕获复杂的序列信息，近几年的研究中RNN强大的顺序建模能力被用来捕获轨迹中的复杂位置关系，相较于传统模型有了一定的提升，但是仍有两个艰巨的挑战没办法解决： 1） 数据的稀疏性和不准确性 位置信息由个体访问地点时被动记录，采样率低；定位手段比较粒度比较粗，数据往往不准确。 2） 高阶的顺序相关性 某些情况下，需要预测的位置依赖于远处的位置而不是临近的位置信息，且往往与个体的偏好和习惯相关。

2.解决方法

为了解决以上问题，作者提出了一种双注意力机制的图卷积网络，简称GC-DNA，该模型包含两个模块：（1）spatio-temporal embedding和（2）trajectory encoder-decoder，所谓时空嵌入就是将轨迹点嵌入到密集表示中（dense representations），即降维操作；轨迹的编解码模块采用seq2seq的结构，双注意力机制同时考虑了轨迹内序列的相关性和轨迹间的相关性。