Where to Go Next Day: Multi-scale Spatial-Temporal Decoupled Model for Mid-term Human Mobility Prediction

📄 arXiv: 2501.06561v2 📥 PDF

作者: Zongyuan Huang, Weipeng Wang, Shaoyu Huang, Marta C. Gonzalez, Yaohui Jin, Yanyan Xu

分类: cs.AI

发布日期: 2025-01-11 (更新: 2025-08-19)

💡 一句话要点

提出MSTDP模型，通过解耦时空信息预测中期人类移动轨迹，提升流行病建模效果。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 人类移动预测 时空预测 多尺度建模 Transformer 图神经网络

📋 核心要点

  1. 现有方法在预测人类中期移动轨迹方面存在不足，无法满足交通管理和流行病控制等应用的需求。
  2. MSTDP模型将每日轨迹解耦为位置-持续时间链，并采用分层编码器和Transformer解码器提取时空信息。
  3. 实验结果表明，MSTDP在多个城市的数据集上表现优异，并在流行病建模中显著优于现有方法。

📝 摘要（中文）

本文旨在解决中期人类移动预测问题，该问题对交通管理和流行病控制等应用至关重要。现有方法主要关注预测下一个位置，难以支持更长时间范围的移动预测。为此，我们提出了多尺度时空解耦预测器（MSTDP），通过将每日轨迹解耦为位置-持续时间链来高效提取时空信息。该方法采用分层编码器建模多尺度时间模式（包括每日重复性和每周周期性），并利用基于Transformer的解码器全局关注位置或持续时间链中的预测信息。此外，我们引入空间异构图学习器来捕获多尺度空间关系，增强语义丰富的表示。在五个城市的大规模手机记录上进行了广泛的实验，证明了MSTDP的优势。在波士顿的流行病建模中，MSTDP显著优于最佳基线，在累积新增病例的MAE方面实现了62.8%的降低。

🔬 方法详解

问题定义：论文旨在解决中期人类移动预测问题，即预测未来一天或一周的每日出行模式和轨迹。现有方法主要关注预测下一个位置，无法有效捕捉人类移动的长期依赖性和周期性，难以支持交通管理、流行病控制等需要长期预测的应用。

核心思路：论文的核心思路是将人类的移动轨迹解耦为空间和时间两个维度，分别进行建模和预测。具体来说，将每日轨迹分解为一系列的位置-持续时间链，然后分别预测位置序列和持续时间序列。这种解耦的方式可以更好地捕捉空间和时间上的独立性和依赖性，从而提高预测的准确性。

技术框架：MSTDP模型主要包含三个模块：多尺度时间编码器、基于Transformer的解码器和空间异构图学习器。首先，多尺度时间编码器用于捕捉每日重复性和每周周期性等时间模式。然后，基于Transformer的解码器用于全局关注位置或持续时间链中的预测信息，生成预测的位置和持续时间序列。最后，空间异构图学习器用于捕获多尺度空间关系，增强语义丰富的表示。

关键创新：论文的关键创新在于提出了时空解耦的预测框架，将轨迹预测问题分解为位置序列预测和持续时间序列预测。此外，论文还提出了多尺度时间编码器和空间异构图学习器，用于更好地捕捉时间和空间上的依赖关系。这种解耦和多尺度建模的方式能够更有效地提取时空信息，提高预测的准确性。

关键设计：多尺度时间编码器采用分层结构，分别捕捉不同时间尺度的模式。基于Transformer的解码器采用自注意力机制，能够全局关注序列中的所有位置。空间异构图学习器通过学习不同类型的空间关系，增强空间表示的语义信息。损失函数包括位置预测损失和持续时间预测损失，分别用于优化位置序列和持续时间序列的预测。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MSTDP模型在五个城市的大规模手机记录数据集上取得了显著的性能提升。在波士顿的流行病建模应用中，MSTDP模型在累积新增病例的MAE指标上，相比于最佳基线模型实现了62.8%的降低。这表明MSTDP模型能够更准确地预测人类移动轨迹，并为流行病建模提供更可靠的输入数据。

🎯 应用场景

该研究成果可应用于多个领域，包括：交通管理（预测交通流量，优化路线规划）、流行病控制（预测疾病传播，制定防控策略）、城市规划（了解人口流动，优化资源配置）和个性化推荐（根据用户出行习惯，推荐地点和服务）。通过准确预测人类移动轨迹，可以为这些应用提供决策支持，提高效率和效果。未来，该研究可以进一步扩展到其他类型的时空数据预测问题。

📄 摘要（原文）

Predicting individual mobility patterns is crucial across various applications. While current methods mainly focus on predicting the next location for personalized services like recommendations, they often fall short in supporting broader applications such as traffic management and epidemic control, which require longer period forecasts of human mobility. This study addresses mid-term mobility prediction, aiming to capture daily travel patterns and forecast trajectories for the upcoming day or week. We propose a novel Multi-scale Spatial-Temporal Decoupled Predictor (MSTDP) designed to efficiently extract spatial and temporal information by decoupling daily trajectories into distinct location-duration chains. Our approach employs a hierarchical encoder to model multi-scale temporal patterns, including daily recurrence and weekly periodicity, and utilizes a transformer-based decoder to globally attend to predicted information in the location or duration chain. Additionally, we introduce a spatial heterogeneous graph learner to capture multi-scale spatial relationships, enhancing semantic-rich representations. Extensive experiments, including statistical physics analysis, are conducted on large-scale mobile phone records in five cities (Boston, Los Angeles, SF Bay Area, Shanghai, and Tokyo), to demonstrate MSTDP's advantages. Applied to epidemic modeling in Boston, MSTDP significantly outperforms the best-performing baseline, achieving a remarkable 62.8% reduction in MAE for cumulative new cases.