Aprendizaje de Representaciones de Regiones a través del Flujo de Movilidad

Se está acumulando y liberando una cantidad creciente de datos urbanos al público; esto nos permite estudiar la dinámica urbana y abordar problemas urbanos como el crimen, el tráfico y la calidad de vida. En este artículo, estamos interesados en aprender representaciones vectoriales para regiones utilizando los datos de flujo de taxis a gran escala. Estas representaciones podrían ayudarnos a medir mejor la fuerza de las relaciones entre las regiones, y las relaciones pueden usarse para modelar mejor las propiedades de las regiones. A diferencia de los estudios existentes, proponemos considerar tanto la dinámica temporal como las transiciones de múltiples saltos en el aprendizaje de las representaciones de las regiones. Proponemos aprender conjuntamente las representaciones a partir de un grafo de flujo y un grafo espacial. Tal grafo combinado podría simular movimientos individuales y también abordar el problema de la escasez de datos. Demostramos la efectividad de nuestro método utilizando tres conjuntos de datos reales diferentes.