Zeitbewusste Standort-Embeddings aus räumlich-zeitlichen Trajektorien

Mit der zunehmenden Ansammlung von räumlich-zeitlichen Trajektoriendaten wurde das standortbasierte Data Mining in letzter Zeit umfassend untersucht. Ein grundlegendes Forschungsthema in diesem Bereich ist das Lernen der Embedding-Vektoren von Standorten durch selbstüberwachtes Pre-Training. Vortrainierte Embedding-Vektoren können die hochverfügbaren, unbeschrifteten Trajektoriendaten nutzen und profitieren in mehreren Aspekten von den nachgelagerten Aufgaben. Die meisten bestehenden Methoden ignorieren jedoch die zeitlichen Informationen, die in der besuchten Zeit der Standorte in Trajektorien verborgen sind. Angesichts der Tatsache, dass menschliche Aktivitäten stark durch bestimmte Zeiträume des Tages reguliert sind, können zeitliche Informationen einige wesentliche Eigenschaften der Standorte widerspiegeln, weshalb es notwendig ist, sie in Standort-Embedding-Vektoren zu integrieren. In diesem Papier schlagen wir eine zeitbewusste Standort-Embedding (TALE) Pre-Training-Methode basierend auf dem CBOW-Rahmenwerk vor, die in der Lage ist, zeitliche Informationen in die gelernten Embedding-Vektoren der Standorte zu integrieren. Eine neuartige zeitliche Baumstruktur wird entworfen, um zeitliche Informationen während der Berechnung von Hierarchical Softmax zu extrahieren. Um die Effektivität von TALE zu überprüfen, wenden wir die gelernten Embedding-Vektoren auf drei nachgelagerte standortbasierte Vorhersageaufgaben an, d. h. Standortklassifikation, Vorhersage des Besucherflusses an Standorten und Vorhersage des nächsten Standorts eines Benutzers. Experimente werden an vier realen Benutzertrajektoriendatensätzen durchgeführt, und die experimentellen Ergebnisse zeigen, dass unser TALE-Modell eindeutig hilft, die Leistung der nachgelagerten Aufgaben zu verbessern.