WWW 2018

1 Intro

• 根据对百万级用户群的研究，93%的人类移动是可预测的。

• 早期的mobility预测方法大多基于模式的。
  • 首先从轨迹中发现预定义的移动模式(顺序模式、周期模式)
  • 然后基于这些提取的模式预测未来位置。
• 最近的发展转向基于模型的方法进行流动性预测。
  • 利用顺序统计模型(例如，马尔可夫链或递归神经网络)来捕捉人体运动的转变规律，并从给定的训练语料库中学习模型参数。
  • 尽管基于模型的移动性预测很好，但仍有挑战有待解决:
    • 1）人类移动性的复杂转变规律
    • 2）人类移动的多层次周期性
    • 3）人类流动性的数据的异质性和稀疏性

• ——>提出了DeepMove
  • 从冗长和稀疏的轨迹中预测人类移动性的注意力递归神经网络模型

2 方法

2.1 方法总览

2.2 candidate generator

3 实验

3.1 数据集

3.2 实验结果