论文笔记：AttnMove: History Enhanced Trajectory Recovery via AttentionalNetwork

论文笔记：AttnMove: History Enhanced Trajectory Recovery via AttentionalNetwork
AAAI 2021

1 intro

1.1 背景
- 将用户稀疏的轨迹数据恢复至细粒度的轨迹数据是十分重要的
- 恢复稀疏轨迹数据至细粒度轨迹数据是非常困难的
  - 已观察到的用户位置数据十分稀疏，使得未观察到的用户位置存在较多的不确定性
  - 真实数据中存在大量噪声，如何有效的挖掘周期性规律存在一定困难
  - 经常在历史轨迹中被访问的地点并不一定会是目标时间窗缺失的地点，如何利用用户历史上的位置数据是另一个挑战
1.2 论文思路
- 提出了一个基于注意力机制的神经网络结构AttnMove用以恢复用户的移动位置
- 主要从以下三个方面着手解决数据稀疏问题
  - 为了获取用户移动特征及推测缺失数据中最有可能访问的地点，本文利用轨迹内注意力机制设计了一个当前处理器用以初步填补缺失位置
  - 利用另一个轨迹内注意力机制设计了一个历史处理器用以挖掘不同历史轨迹的周期性特征
  - 为了融合当前处理器以及历史处理器提取出来的特征并预测用户缺失地点，本文提出了一个基于轨迹间注意力及地点生成注意力机制的轨迹恢复模块
    轨迹间注意力机制——用于生成历史轨迹对于当前移动状态影响的权重
    地点生成注意力机制——用于考虑时空约束
2 问题定义
- 轨迹：一个用户一天内按时间顺序的活动位置序列
  - $\tau_{u}^n=l_u^{n,1}\rightarrow l_u^{n,2}\rightarrow \cdots,l_u^{n,l}\rightarrow l_u^{n,\tau}$
    $l_{u}^{n,t}$ 表示用户u在第n天第t个时间间隙所处的位置
    如果用户在t个时间间隙的位置信息未被观察到，则 $l_{u}^{n,t}$ 为空
  - $\tau_u^n$ 为用户当前轨迹， $\{\tau_u^1,\tau_u^2,\cdots,\tau_u^{n-1}\}$ 为用户u的历史轨迹
本文将轨迹恢复问题定义为，给定一个用户当前轨迹及历史轨迹，恢复当前轨迹中的缺失位置信息，用以重建当前轨迹

3 模型

4 实验结果

4.1 数据
- 分别在Tencent及Geolife两个数据集上进行了实验。
- 将北京地区划分成10655个格子，每个格子平均256平方米，每条轨迹的时间间隙设定为30分钟
4.2 结果

MAP是平均Precision
相关阅读:
Centos7的yum使用国内源阿里源163源等提高下载速度
 微信录屏怎么录？微信聊天记录怎么录制下来
 IDEA打开项目文件目录不见了
 代码随想录 | Day 58 - LeetCode 739. 每日温度、496. 下一个更大元素 I
实验3-1
2.9 GBDT模型（下篇）
API 设计/开发/测试工具：Apifox与怎么通过拦截器
 【JUC】JMM
【学习笔记】《深入浅出Pandas》第17章：Pandas实战案例
 入手评测AMD锐龙r7 6800u和酷睿i7 1260p选哪个 r76800u和i71260p对比
原文地址：https://blog.csdn.net/qq_40206371/article/details/134353327

1 intro

1.1 背景

1.2 论文思路

2 问题定义

3 模型

4 实验结果

4.1 数据

4.2 结果