[论文解读] Deep Learning for Human Mobility: a Survey on Data and Models.

Massimiliano Luca, Gianni Barlacchi+2 more|arXiv (Cornell University)|Dec 4, 2020

Human Mobility and Location-Based Analysis参考文献 172被引用 21

一句话总结

本综述全面概述了深度学习在人类移动性中的应用，重点关注下一位置预测、人群流量预测和轨迹生成。它整合了数据源、模型及开放挑战，为深度学习与移动性科学领域的研究人员和从业者提供了一站式指南。

ABSTRACT

The study of human mobility is crucial due to its impact on several aspects of our society, such as disease spreading, urban planning, well-being, pollution, and more. The proliferation of digital mobility data, such as phone records, GPS traces, and social media posts, combined with the outstanding predictive power of artificial intelligence, triggered the application of deep learning to human mobility. In particular, the literature is focusing on three tasks: next-location prediction, i.e., predicting an individual's future locations; crowd flow prediction, i.e., forecasting flows on a geographic region; and trajectory generation, i.e., generating realistic individual trajectories. Existing surveys focus on single tasks, data sources, mechanistic or traditional machine learning approaches, while a comprehensive description of deep learning solutions is missing. This survey provides: (i) basic notions on mobility and deep learning; (ii) a review of data sources and public datasets; (iii) a description of deep learning models and (iv) a discussion about relevant open challenges. Our survey is a guide to the leading deep learning solutions to next-location prediction, crowd flow prediction, and trajectory generation. At the same time, it helps deep learning scientists and practitioners understand the fundamental concepts and the open challenges of the study of human mobility.

研究动机与目标

• 通过提供对多个移动性任务中深度学习解决方案的统一综述，弥合现有综述的空白。
• 为研究人员和从业者提供移动性与深度学习的基础知识。
• 整理人类移动性研究中使用的公开数据集和数据源。
• 分析并比较用于下一位置预测、人群流量预测和轨迹生成的深度学习架构。
• 识别并讨论深度学习在人类移动性领域中的关键开放挑战。

提出的方法

• 本文系统性回顾了应用于人类移动性的深度学习模型，重点关注三个核心任务：下一位置预测、人群流量预测和轨迹生成。
• 对各种深度学习架构（包括RNN、LSTM、GRU、CNN及注意力机制模型）在移动性建模中的应用进行了分类与描述。
• 评估了移动电话记录、GPS轨迹和社会媒体数据等数据源，突出其特征与可获取性。
• 讨论了文献中用于评估性能的模型评价指标与基准数据集。
• 根据任务特定设计、输入表示和架构选择，对模型进行组织与比较。
• 识别出局限性与开放挑战，如跨区域泛化能力、隐私问题以及数据稀缺性。

实验结果

研究问题

• RQ1 在人类移动性中，用于下一位置预测、人群流量预测和轨迹生成的关键深度学习模型有哪些？
• RQ2 不同数据源（如GPS、手机记录、社交媒体）如何影响模型性能与适用性？
• RQ3 在建模人类移动性模式方面，最有效的深度学习架构与组件（如注意力机制、RNN）是什么？
• RQ4 在大规模部署深度学习用于人类移动性时，主要的开放挑战是什么？
• RQ5 当前模型在不同地理区域与移动行为模式下的泛化能力如何？

主要发现

• 综述指出，由于其在序列建模方面的优势，基于RNN的模型（尤其是LSTM和GRU）在下一位置预测中仍被广泛使用。
• 注意力机制与图神经网络在人群流量预测中日益被采用，以捕捉长距离依赖关系与空间关联。
• 轨迹生成模型通常结合变分自编码器与RNN，以生成多样且逼真的移动模式。
• 公共数据集如移动应用的GPS轨迹和匿名化的通话详单记录是主要数据来源，但其可获取性与质量差异显著。
• 尽管预测性能较强，模型在跨不同城市环境的泛化能力、隐私合规性与可解释性方面仍面临挑战。
• 综述强调，缺乏标准化的基准与评估协议是制约该领域发展的关键障碍。