論文の概要: HGTUL: A Hypergraph-based Model For Trajectory User Linking
- arxiv url: http://arxiv.org/abs/2502.07549v1
- Date: Tue, 11 Feb 2025 13:39:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:09:14.050748
- Title: HGTUL: A Hypergraph-based Model For Trajectory User Linking
- Title（参考訳）: HGTUL:トラジェクティブユーザリンクのためのハイパーグラフベースモデル
- Authors: Fengjie Chang, Xinning Zhu, Zheng Hu, Yang Qin,
- Abstract要約: Tray User Linking (TUL) は、匿名のトラジェクトリとそれを生成するユーザをリンクする。
HGTUL(HyperGraph-based Multi-perspective Trajectory User Linking Model)を提案する。
- 参考スコア（独自算出の注目度）: 2.9945319641858985
- License:
- Abstract: Trajectory User Linking (TUL), which links anonymous trajectories with users who generate them, plays a crucial role in modeling human mobility. Despite significant advancements in this field, existing studies primarily neglect the high-order inter-trajectory relationships, which represent complex associations among multiple trajectories, manifested through multi-location co-occurrence patterns emerging when trajectories intersect at various Points of Interest (POIs). Furthermore, they also overlook the variable influence of POIs on different trajectories, as well as the user class imbalance problem caused by disparities in user activity levels and check-in frequencies. To address these limitations, we propose a novel HyperGraph-based multi-perspective Trajectory User Linking model (HGTUL). Our model learns trajectory representations from both relational and spatio-temporal perspectives: (1) it captures high-order associations among trajectories by constructing a trajectory hypergraph and leverages a hypergraph attention network to learn the variable impact of POIs on trajectories; (2) it models the spatio-temporal characteristics of trajectories by incorporating their temporal and spatial information into a sequential encoder. Moreover, we design a data balancing method to effectively address the user class imbalance problem and experimentally validate its significance in TUL. Extensive experiments on three real-world datasets demonstrate that HGTUL outperforms state-of-the-art baselines, achieving improvements of 2.57%~20.09% and 5.68%~26.00% in ACC@1 and Macro-F1 metrics, respectively.
- Abstract（参考訳）: Trajectory User Linking (TUL) は、匿名のトラジェクトリとそれを生成するユーザを結びつけるもので、人間のモビリティをモデル化する上で重要な役割を担っている。
この分野での大きな進歩にもかかわらず、既存の研究は、多軌道間の複雑な関連を表す高次軌道間関係を主に無視し、様々な関心点(POI)で軌道が交差するときに現れる多位置共起パターンを通して現れる。
さらに、異なる軌跡に対するPOIの変動的影響や、ユーザアクティビティレベルとチェックイン頻度の相違によるユーザクラス不均衡の問題も見落としている。
これらの制約に対処するため,HGTUL(HyperGraph-based multi-perspective Trajectory User Linking model)を提案する。
本モデルでは, トラジェクトリハイパーグラフを構築し, トラジェクトリにおけるPOIの変動的影響を学習するためにハイパーグラフアテンションネットワークを活用し, 時間的および空間的情報を逐次エンコーダに組み込むことで, トラジェクトリの時空間特性をモデル化する。
さらに、ユーザクラスの不均衡問題に効果的に対処し、TULにおけるその意義を実験的に検証するデータバランス手法を設計する。
3つの実世界のデータセットに対する大規模な実験により、HGTULは最先端のベースラインを上回っ、それぞれACC@1とMacro-F1メトリクスの2.57%〜20.09%と5.68%〜26.00%の改善を達成した。
関連論文リスト
- Robust Training of Federated Models with Extremely Label Deficiency [84.00832527512148]
フェデレーション半教師付き学習(FSSL)は、ラベル不足を伴う分散データを用いて機械学習モデルを協調訓練するための強力なパラダイムとして登場した。
我々は,ラベル付きおよびラベルなしデータの異なる視点から洞察を提供することにより相互指導を強化するために,ツインサイトと呼ばれる新しいツインモデルパラダイムを提案する。
4つのベンチマークデータセットに関する包括的な実験は、Twin-sightが様々な実験環境において最先端の手法を著しく上回っていることを示す重要な証拠となる。
論文 参考訳（メタデータ） (2024-02-22T10:19:34Z) - Hybrid Transformer and Spatial-Temporal Self-Supervised Learning for
Long-term Traffic Prediction [1.8531577178922987]
本稿では,ハイブリッドトランスフォーマーと自己教師型学習を組み合わせたモデルを提案する。
このモデルは、トラフィックのシーケンスレベルにデータ拡張技術を適用することにより、適応的なデータ拡張を強化する。
本研究では,時間的および空間的依存をモデル化する2つの自己教師型学習タスクを設計し,モデルの精度と能力を向上させる。
論文 参考訳（メタデータ） (2024-01-29T06:17:23Z) - Automated Spatio-Temporal Graph Contrastive Learning [18.245433428868775]
パラメータ化コントラストビュージェネレータを用いた時間自動拡張方式を開発した。
AutoSTは多視点セマンティクスをよく保存した異種グラフに適応することができる。
いくつかの実世界のデータセットで3つのダウンストリーム時間的マイニングタスクの実験は、大きなパフォーマンス向上を示している。
論文 参考訳（メタデータ） (2023-05-06T03:52:33Z) - D2-TPred: Discontinuous Dependency for Trajectory Prediction under
Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。
実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文 参考訳（メタデータ） (2022-07-21T10:19:07Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳（メタデータ） (2022-05-31T01:19:18Z) - Mutual Distillation Learning Network for Trajectory-User Linking [30.954285341714]
Trajectory-User Linking (TUL) は、チェックインモビリティデータのばらつきが問題となっている。
そこで本研究では,Mentual 蒸留学習ネットワークを提案する。
論文 参考訳（メタデータ） (2022-05-08T03:50:37Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - DetectorNet: Transformer-enhanced Spatial Temporal Graph Neural Network
for Traffic Prediction [4.302265301004301]
高カバレッジの検出器は、経路計画や交通渋滞の回避において、道路利用者にとって直接的かつ遠回りの利点がある。
これらのデータを活用すると、動的時間的相関、道路条件の変化による動的空間的相関など、ユニークな課題が提示される。
本稿では,Transformer が拡張した DetectorNet を提案し,これらの課題に対処する。
論文 参考訳（メタデータ） (2021-10-19T03:47:38Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis [10.335486459171992]
我々は,Deep Embedded TrajEctor ClusTering Network (DETECT)と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。
DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性から派生した文脈で拡張することで軌道を変換する。
第2部では、潜在行動空間におけるトラジェクトリの強力な表現を学び、これによりクラスタリング関数(例えば$k$means)を適用できる。
論文 参考訳（メタデータ） (2020-03-03T06:09:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。