Un enfoque de aprendizaje Seq2Seq para modelar trayectorias semánticas y predecir la siguiente ubicación

Las aplicaciones y servicios móviles proactivos tienen la ventaja de proporcionar a sus usuarios soluciones personalizadas y oportunas, mejorando de este modo la interacción humano-máquina. Por esta razón, los Servicios Basados en Localización (LBS) confían cada vez más en modelos predictivos que estiman la probabilidad de que un usuario visite una determinada ubicación. Recientemente, las Redes Neuronales Artificiales, y especialmente arquitecturas recurrentes como las LSTM, han mostrado un rendimiento particularmente bueno en este campo. En este trabajo, ampliamos una red LSTM aplicando el aprendizaje de Secuencia a Secuencia (Seq2Seq) a trayectorias semánticas humanas. En particular, exploramos si y en qué medida el aprendizaje Seq2Seq basado en atención en combinación con redes neuronales puede contribuir a mejorar la precisión en un escenario de predicción de ubicación. Comparamos el rendimiento de nuestro marco con el rendimiento de una LSTM estándar, un enfoque basado en árboles de trayectorias semánticas y un gráfico probabilístico de orden uno y superior en dos conjuntos de datos del mundo real diferentes. Se puede demostrar que el aprendizaje de Secuencia a Secuencia puede utilizarse para modelar trayectorias semánticas y predecir patrones futuros de movimiento humano.