HST-LSTM: Ein hierarchisches räumlich-zeitliches Lang-Kurzzeit-Gedächtnisnetzwerk zur Standortvorhersage

Die weitverbreitete Nutzung von Positionierungstechnologie hat das Mining der Bewegungen von Menschen möglich gemacht und eine Vielzahl von Trajektoriendaten wurde angesammelt. Wie man diese Daten effizient für die Standortvorhersage nutzen kann, ist ein zunehmend beliebtes Forschungsthema, da es grundlegend für standortbasierte Dienste (LBS) ist. Die bestehenden Methoden konzentrieren sich oft entweder auf langfristige Besuchsvorhersagen (Tage oder Monate) (d.h. die Empfehlung von Interessenspunkten) oder auf die Vorhersage des Standorts in Echtzeit (d.h. Trajektorienvorhersage). In diesem Papier interessieren wir uns für das Problem der Standortvorhersage unter schwachen Echtzeitbedingungen und zielen darauf ab, die Bewegungen der Nutzer in den nächsten Minuten oder Stunden vorherzusagen. Wir schlagen ein räumlich-zeitliches Lang-Kurzzeit-Gedächtnismodell (ST-LSTM) vor, das räumlich-zeitliche Einflüsse natürlich in LSTM integriert, um das Problem der Datensparsamkeit zu mildern. Darüber hinaus verwenden wir eine hierarchische Erweiterung des vorgeschlagenen ST-LSTM (HST-LSTM) in einer Encoder-Decoder-Manier, die die kontextuellen historischen Besuchsinformationen modelliert, um die Vorhersageleistung zu steigern. Das vorgeschlagene HST-LSTM wird an einem realen Trajektoriendatensatz evaluiert, und die experimentellen Ergebnisse zeigen die Effektivität des vorgeschlagenen Modells.