[论文解读] DeepSpace: An Online Deep Learning Framework for Mobile Big Data to Understand Human Mobility Patterns

Xi Ouyang, Chaoyun Zhang+3 more|arXiv (Cornell University)|Oct 22, 2016

Human Mobility and Location-Based Analysis参考文献 26被引用 41

一句话总结

DeepSpace 提出了一种在线的、分层的深度学习框架，通过改进的卷积神经网络（CNN）从移动大数据中预测人类移动模式。它在150个时间间隔时达到71.29%的准确率，优于原始CNN；并通过利用空间尺度不变性和局部依赖性建模，在噪声大、高维的移动数据流中保持了稳健性能。

ABSTRACT

In the recent years, the rapid spread of mobile device has create the vast amount of mobile data. However, some shallow-structure models such as support vector machine (SVM) have difficulty dealing with high dimensional data with the development of mobile network. In this paper, we analyze mobile data to predict human trajectories in order to understand human mobility pattern via a deep-structure model called "DeepSpace". To the best of out knowledge, it is the first time that the deep learning approach is applied to predicting human trajectories. Furthermore, we develop the vanilla convolutional neural network (CNN) to be an online learning system, which can deal with the continuous mobile data stream. In general, "DeepSpace" consists of two different prediction models corresponding to different scales in space (the coarse prediction model and fine prediction models). This two models constitute a hierarchical structure, which enable the whole architecture to be run in parallel. Finally, we test our model based on the data usage detail records (UDRs) from the mobile cellular network in a city of southeastern China, instead of the call detail records (CDRs) which are widely used by others as usual. The experiment results show that "DeepSpace" is promising in human trajectories prediction.

研究动机与目标

• 解决从高维、流式移动大数据中预测人类移动模式的挑战。
• 克服SVM等浅层模型在处理移动数据中复杂时空模式时的局限性。
• 开发一种在线学习系统，能够实时处理持续的移动数据流。
• 通过引入具有粗粒度和细粒度空间模型的分层CNN架构，提升预测准确率和鲁棒性。
• 在真实世界移动网络数据上评估模型，使用使用详情记录（UDRs）而非传统话务记录（CDRs）。

提出的方法

• 该框架采用分层CNN结构，包含粗粒度预测模型和多个细粒度预测模型，以处理不同空间尺度。
• 将原始CNN改进为在线学习系统，实现对连续数据流的处理，无需从头开始重新训练。
• 通过捕捉人类轨迹中相邻位置之间的空间相关性，利用局部依赖性。
• 通过实现尺度不变性，使模型对时间间隔变化和移动事件之间的时间节奏变化保持鲁棒。
• 模型在来自中国东南部移动蜂窝网络的真实UDRs上进行训练和评估。
• 采用并行处理架构，使粗粒度和细粒度模型能够同时运行，提升推理效率。

实验结果

研究问题

• RQ1 深度学习框架能否有效从高维移动大数据中预测人类移动模式？
• RQ2 在在线学习设置下，分层CNN架构相比标准CNN在预测准确率方面有何提升？
• RQ3 该模型在真实移动数据中对噪声和时间间隔变化的容忍度如何？
• RQ4 模型性能在不同移动行为的用户（如频繁移动与稳定移动）之间有何差异？
• RQ5 移动网络中的UDRs能否作为CDRs在人类移动预测中的可行替代方案？

主要发现

• DeepSpace在150个时间间隔时达到71.29%的预测准确率，优于所有测试时间间隔下的原始CNN。
• 即使时间间隔数量增加，模型仍保持高度稳定和准确，粗粒度和细粒度预测模型的准确率均超过85%。
• 对于频繁移动的用户，DeepSpace达到57.83%的准确率，而原始CNN仅为35.77%，表明其具有更优的抗噪能力。
• 与原始CNN相比，分层结构使性能下降减少了约10%，表明其在长序列上的泛化能力更强。
• 可视化对比显示，大多数情况下预测路径与真实路径高度吻合，尽管罕见或一次性移动可能被遗漏。
• 对于具有稳定移动模式的用户，模型表现尤为出色，准确率最高可达97.2%。