[论文解读] Efficient Destination Prediction Based on Route Choices with Transition Matrix Optimization

Zhou Yang, Heli Sun+4 more|arXiv (Cornell University)|Nov 8, 2017

Human Mobility and Location-Based Analysis参考文献 20被引用 3

一句话总结

本文提出了一种高效的路径终点预测方法，该方法利用半懒惰学习，通过高效转移概率（ETP）和带绕行的转移概率（TPD）优化转移矩阵，并采用强制通行点（OTP）与转移影响区域（TAA）实现动态模型更新。该方法将时间和空间复杂度降低了一个数量级，在真实世界和合成数据集上相比最先进方法提速100倍，且准确率提升超过30%。

ABSTRACT

Destination prediction is an essential task in a variety of mobile applications. In this paper, we optimize the matrix operation and adapt a semi-lazy framework to improve the prediction accuracy and efficiency of a state-of-the-art approach. To this end, we employ efficient dynamic-programming by devising several data constructs including Efficient Transition Probability and Transition Probabilities with Detours that are capable of pinpointing the minimum amount of computation. We prove that our method achieves one order of cut in both time and space complexity. The experimental results on real-world and synthetic datasets have shown that our solution consistently outperforms its state-of-the-art counterparts in terms of both efficiency (approximately over 100 times faster) and accuracy (above 30% increase).

研究动机与目标

• 为解决现有路径终点预测方法在处理数据稀疏性以及未能充分利用历史轨迹数据方面的局限性。
• 通过将路径选择行为，特别是最近的移动行为，纳入模型，以提升预测准确率。
• 通过优化矩阵运算与动态模型更新，显著提升计算效率。
• 通过仅在受影响区域（OTP与TAA）内进行计算，实现频繁的模型更新，从而提升响应速度与准确率。
• 通过一阶马尔可夫模型结合路径感知预测，实现模型复杂度与性能之间的平衡。

提出的方法

• 引入高效转移概率（ETP）与带绕行的转移概率（TPD），在模型训练过程中最小化不必要的计算。
• 采用半懒惰预测框架，根据最近的路径选择动态识别最可能的未来位置。
• 利用贝叶斯理论将离线模型训练与在线预测相结合，提升行程进行过程中的预测准确率。
• 应用强制通行点（OTP）与转移影响区域（TAA），将模型更新限制在仅5%的网格区域内，实现高效重训练。
• 通过类似动态规划的技术优化矩阵乘法，使时间和空间复杂度均降低一个数量级。
• 采用可调节粒度的网格化轨迹表示方法，以评估不同空间分辨率下模型的鲁棒性。

实验结果

研究问题

• RQ1 当结合路径选择意识时，一阶马尔可夫模型是否能在路径终点预测中超越高阶模型？
• RQ2 如何优化转移矩阵计算，以在不损失准确率的前提下降低时间和空间复杂度？
• RQ3 将频繁的模型更新限制在小范围区域（OTP与TAA）内，能在多大程度上提升预测准确率？
• RQ4 在转移概率中引入绕行距离，对预测性能有何影响？
• RQ5 地图粒度如何影响路径终点预测中准确率与计算效率之间的权衡？

主要发现

• 所提方法在真实世界与合成数据集上相比最先进方法SubSynEA，预测准确率提升超过30%。
• 该方法运行速度约为现有方法的100倍，且时间和空间复杂度均降低一个数量级。
• 在行程完成度25%至85%的阶段，预测准确率显著提升，此时模型的动态更新机制最为有效。
• OTP与TAA的使用将模型更新范围限制在约5%的网格单元内，实现了频繁重训练而不会导致性能下降。
• 较粗粒度的地图可提升二阶模型的准确率，但在细粒度设置下优势减弱，而所提方法在该场景下保持一致的性能表现。
• 即使在细粒度地图中，该方法仍优于SubSynEA，后者因在高维状态空间中状态区分模糊而导致性能下降。