[论文解读] Multi-Graph Fusion Networks for Urban Region Embedding

Shangbin Wu, Yan Xu+6 more|arXiv (Cornell University)|Jan 24, 2022

Human Mobility and Location-Based Analysis被引用 6

一句话总结

该论文提出多图融合网络（MGFN），通过基于时空相似性的图融合以及通过多级交叉注意力机制联合建模图内与图间消息，从细粒度的人类移动数据中学习通用的城市区域嵌入表示。在跨域任务（如犯罪预测和签到预测）中，MGFN 相较于最先进方法性能提升最高达 13.11%。

ABSTRACT

Learning the embeddings for urban regions from human mobility data can reveal the functionality of regions, and then enables the correlated but distinct tasks such as crime prediction. Human mobility data contains rich but abundant information, which yields to the comprehensive region embeddings for cross domain tasks. In this paper, we propose multi-graph fusion networks (MGFN) to enable the cross domain prediction tasks. First, we integrate the graphs with spatio-temporal similarity as mobility patterns through a mobility graph fusion module. Then, in the mobility pattern joint learning module, we design the multi-level cross-attention mechanism to learn the comprehensive embeddings from multiple mobility patterns based on intra-pattern and inter-pattern messages. Finally, we conduct extensive experiments on real-world urban datasets. Experimental results demonstrate that the proposed MGFN outperforms the state-of-the-art methods by up to 12.35% improvement.

研究动机与目标

• 为解决从细粒度人类移动数据中学习能捕捉复杂动态模式的通用城市区域嵌入表示的挑战。
• 克服现有方法仅学习特定移动变化（如交通流变化）而非全面区域表征的局限性。
• 通过鲁棒且通用的嵌入表示，实现有效的跨域城市计算任务，如犯罪预测与签到预测。
• 通过新颖的联合学习框架，建模移动模式内部的结构依赖关系与模式之间的关系。

提出的方法

• 在每个时间步，基于城市区域之间的人员移动流量构建移动图，形成移动多图结构。
• 利用融合多图距离（MGD）度量方法，结合时空相似性，将相似的移动图融合为不同的移动模式。
• 设计移动模式联合学习模块，包含两个组件：图内消息传递以捕捉每个模式内部的局部结构特征，以及图间交叉注意力以聚合全局跨模式信息。
• 采用多级交叉注意力机制，动态加权并整合不同移动模式之间的消息，增强表征学习能力。
• 端到端训练 MGFN 模型，生成保留复杂空间与时间相关性的低维区域嵌入表示。
• 利用学习到的嵌入表示进行下游任务（如犯罪预测与签到预测），并在真实世界城市数据集上进行评估。

实验结果

研究问题

• RQ1 如何利用时空依赖关系，有效将冗余且细粒度的移动图融合为通用的移动模式？
• RQ2 如何联合建模图内与图间消息，以学习全面的城市区域嵌入表示？
• RQ3 与最先进方法相比，所提出的 MGFN 在跨域城市计算任务中的性能提升程度如何？
• RQ4 移动图融合模块在识别有意义的移动模式（如早高峰与周末行为）方面表现如何？
• RQ5 移动图融合与联合学习组件对模型在不同任务间泛化能力的贡献程度如何？

主要发现

• 在多个评估指标下，MGFN 在犯罪预测与签到预测任务中相较最先进方法性能最高提升 13.11%。
• 基于多图距离（MGD）的移动图融合模块能有效识别关键移动模式，如工作日早高峰（7–9 点）与周末夜间活动，优于均值、标准差与均匀流量度量方法。
• 消融实验表明，若移除图内消息传递或图间交叉注意力组件，性能均下降，证实二者在学习鲁棒嵌入表示中的互补作用。
• MGFN-NP（无图内学习）与 MGFN-NC（无图间学习）的性能均低于完整 MGFN 模型，证明两个组件均不可或缺。
• 当移除移动图融合（MGF）组件后，MGFN 的泛化能力显著下降约 20%，凸显其在捕捉动态区域功能方面的关键作用。
• 聚类结果可视化表明，基于 MGD 的模式发现能有效区分不同时段与日期类型下的不同移动行为，从而为下游任务提供更优的表征学习能力。