IJCAI2018|分层时空LSTM在位置预测中的应用(HST-LSTM)

HST-LSTM: A Hierarchical Spatial-Temporal Long-Short Term Memory Network for Location Prediction

Dejiang Kong and Fei Wu

Zhejiang University

https://www.ijcai.org/Proceedings/2018/0324.pdf

定位技术有助于挖掘人物运动情况，目前已经积累的大量额轨迹数据。

如何高效利用这些数据来预测位置逐渐成为比较流行的研究课题，位置预测是位置服务（LBS）的基础。现有方法通常要么关注长期到访位置预测，比如几天或者几个月这种时间窗，这可以看作是poi推荐问题，要么关注实时位置预测，此即轨迹预测。

这篇文章集中在弱实时条件下的位置预测，旨在预测用户在接下来的几分钟或者几小时的运动情况。作者们提出时空长短期记忆模型（ST-LSTM），该模型将时空影响因素加入lstm，进而可以缓解数据稀疏的问题。

另外，作者们利用一种分层ST-LSTM，以编码解码的形式，对上下文历史到访信息进行建模，进而提升预测效果。

这篇文章提出的HSTLSTM在真实轨迹数据集上进行了测试，结果表明了其有效性。

用户轨迹及抽象和模型的图示如下

不同时间窗之后的目的地分布图示如下

先前的lstm没有考虑时空因素，作者们将时空因素加入了lstm

这篇文章的主要贡献在于

几个基本概念及解释如下

lstm的组成部分主要有以下几个

这篇文章的特色在于将时空因子加入lstm中