[论文解读] Learning Fine Grained Place Embeddings with Spatial Hierarchy from Human Mobility Trajectories

Toru Shimizu, Takahiro Yabe+1 more|arXiv (Cornell University)|Feb 6, 2020

Human Mobility and Location-Based Analysis参考文献 19被引用 5

一句话总结

本文提出了一种分层深度学习方法，通过利用空间层次结构，从人类移动轨迹中改进低密度区域的数据稀疏性问题，从而提升细粒度地点嵌入的质量。通过动态结合局部轨迹数据与周围区域的粗粒度上下文信息，该模型在下一地点预测和土地利用分类任务中表现出色，尤其在乡村或数据稀疏区域表现更优。

ABSTRACT

Place embeddings generated from human mobility trajectories have become a popular method to understand the functionality of places. Place embeddings with high spatial resolution are desirable for many applications, however, downscaling the spatial resolution deteriorates the quality of embeddings due to data sparsity, especially in less populated areas. We address this issue by proposing a method that generates fine grained place embeddings, which leverages spatial hierarchical information according to the local density of observed data points. The effectiveness of our fine grained place embeddings are compared to baseline methods via next place prediction tasks using real world trajectory data from 3 cities in Japan. In addition, we demonstrate the value of our fine grained place embeddings for land use classification applications. We believe that our technique of incorporating spatial hierarchical information can complement and reinforce various place embedding generating methods.

研究动机与目标

• 解决在乡村或低流量城市区域中细粒度地点嵌入生成时的数据稀疏性问题。
• 通过整合移动轨迹中的空间分层结构，提升地点嵌入的质量。
• 利用对数据稀缺具有鲁棒性的嵌入，提升下一地点预测与土地利用分类的性能。
• 证明分层信息可作为现有嵌入方法的补充，而无需替代它们。

提出的方法

• 该方法使用多尺度网格系统（10km、1km、500m）定义空间层次结构，其中每个地点被表示为一个网格单元。
• 在高密度区域，地点嵌入通过神经网络直接从局部移动轨迹进行训练。
• 在低密度区域，通过聚合空间层次结构中更粗粒度的周边区域信息来生成嵌入。
• 模型采用分层注意力机制，根据本地数据的可用性动态加权上游空间层级的贡献。
• 采用对比学习目标，确保即使在数据稀疏的情况下，相邻地点的嵌入在语义上也保持相似。
• 该框架在来自日本三个城市的实际GPS轨迹数据上进行端到端训练，并在下一地点预测与土地利用分类任务上进行评估。

实验结果

研究问题

• RQ1 空间层次结构能否提升在数据稀疏的城市与乡村区域中的细粒度地点嵌入质量？
• RQ2 与非分层基线相比，分层嵌入学习在下一地点预测任务中的表现如何？
• RQ3 分层嵌入在多大程度上提升了土地利用分类性能，特别是对代表性不足或访问频率低的地点？
• RQ4 粗粒度上下文信息的整合能否在不增加额外数据的前提下提升嵌入的鲁棒性？

主要发现

• 分层模型（hier1km）在下一地点预测中的准确率显著高于非分层基线，尤其在访问频率低或乡村区域表现更优。
• 在土地利用分类中，hier1km模型能正确识别河流、农田和工厂等细微土地利用模式，而非分层模型则将它们误分类为低层建筑或森林。
• 对于访问频率处于最低30百分位数的地点（即乡村地点），hier1km模型在京都的平均准确率达到68.4%，比非分层模型高出7.2个百分点。
• 分层方法在所有城市中均提升了土地利用分类性能，其中福冈和冈山的提升最为显著，因这两个城市的数据稀疏性更严重。
• 可视化结果证实，hier1km模型捕捉到了空间上连贯的土地利用模式，而非分层模型则产生了过于同质化的预测结果。
• 该方法展现出良好的泛化能力与互补性，可在不重新训练原始嵌入模型的前提下，有效增强现有嵌入模型的性能。