热门标签
热门文章
- 1CTF怎么快速入门？_ctf网络安全大赛怎么学
- 2susan算子matlab代码,计算机视觉：matlab实现9种边缘检测算子
- 3leetcode(力扣) 55. 跳跃游戏 (贪心 & 动态规划)_力扣跳跃游戏
- 43000字分享，分析报告这么写，领导爱看，业务没话说
- 5【渝粤题库】陕西师范大学200431综合英语（一）作业（高起专、高起本）_no matter how hard i tried,the,painting
- 6Flutter笔记：DefaultTextStyle和DefaultTextHeightBehavior解读
- 7mac机器时间修复_mac ntp 重置
- 8「React Native」为什么要选择 React Native 作为的跨端方案
- 9在微信小程序使用外部字体_微信小程序引用外部字体
- 10Python学习系列之字典_爬虫获取到的数据类型是str,但看上去像字典格式
当前位置: article > 正文
论文笔记：DeepMove: Predicting Human Mobility with Attentional Recurrent Networks
作者：盐析白兔 | 2024-05-07 10:27:38
赞
踩
论文笔记：DeepMove: Predicting Human Mobility with Attentional Recurrent Networks
WWW 2018
1 Intro
- 根据对百万级用户群的研究，93%的人类移动是可预测的。
- 早期的mobility预测方法大多基于模式的。
- 首先从轨迹中发现预定义的移动模式(顺序模式、周期模式)
- 然后基于这些提取的模式预测未来位置。
- 最近的发展转向基于模型的方法进行流动性预测。
- 利用顺序统计模型(例如，马尔可夫链或递归神经网络)来捕捉人体运动的转变规律，并从给定的训练语料库中学习模型参数。
- 尽管基于模型的移动性预测很好，但仍有挑战有待解决:
- 1）人类移动性的复杂转变规律
- 2）人类移动的多层次周期性
- 3）人类流动性的数据的异质性和稀疏性
- ——>提出了DeepMove
- 从冗长和稀疏的轨迹中预测人类移动性的注意力递归神经网络模型
2 方法
2.1 方法总览
2.2 candidate generator
3 实验
3.1 数据集
3.2 实验结果
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/盐析白兔/article/detail/548692
推荐阅读
相关标签
