STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction over Human Trajectory Data
作者: Bangchao Deng, Lianhua Ji, Chunhua Chen, Xin Jing, Ling Ding, Bingqing QU, Pengyang Wang, Dingqi Yang
分类: cs.LG, cs.AI
发布日期: 2025-08-14 (更新: 2025-12-30)
💡 一句话要点
STRelay：一种通用时空传递框架，用于提升人类轨迹数据的定位预测性能。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 位置预测 人类轨迹数据 时空建模 多任务学习 序列模型
📋 核心要点
- 现有位置预测方法忽略了未来时空上下文信息，导致预测精度受限，尤其是在非日常活动中。
- STRelay框架通过传递方式建模未来时空上下文，并将其融入现有模型，实现多任务学习。
- 实验表明，STRelay能显著提升多种基线模型的预测性能，尤其在娱乐场所和长距离出行场景。
📝 摘要（中文）
本文提出了一种名为STRelay的通用时空传递框架，旨在通过显式建模未来时空上下文来提升位置预测模型的性能。现有方法主要依赖历史轨迹数据训练序列模型，忽略了未来时空上下文的重要性。STRelay以一种传递的方式建模未来时空上下文，并将其与基础位置预测模型编码的历史表示相结合，通过多任务学习同时预测下一个时间间隔、下一个移动距离间隔以及最终的下一个位置。在四个真实世界轨迹数据集上，STRelay与五个最先进的位置预测基础模型集成后，结果表明在所有情况下预测性能均提高了2.49％-11.30％。此外，未来时空上下文对于娱乐相关地点以及喜欢长距离旅行的用户群体特别有帮助。这种对于非日常活动（通常具有较高不确定性）的性能提升，是对基础位置预测模型（通常擅长建模常规日常模式）的有效补充。
🔬 方法详解
问题定义：现有位置预测方法主要依赖历史轨迹数据，忽略了未来时空上下文（如预计的旅行时间和距离）对预测的影响。这种忽略导致模型在预测非日常活动或长距离出行时表现不佳，因为这些场景的不确定性更高。
核心思路：STRelay的核心思路是通过显式建模未来时空上下文来弥补现有方法的不足。它假设未来时空信息可以作为一种“relay”（传递），帮助模型更好地理解用户的意图和目的地。通过预测未来时间间隔和移动距离，STRelay为基础模型提供了额外的上下文信息，从而提高了预测准确性。
技术框架：STRelay框架包含以下主要模块：1) 基础位置预测模型：用于编码历史轨迹数据，生成历史表示。2) 时空上下文建模模块：以传递的方式建模未来时空上下文，预测下一个时间间隔和移动距离间隔。3) 多任务学习模块：将历史表示和未来时空上下文信息相结合，同时预测下一个时间间隔、下一个移动距离间隔和下一个位置。整体流程是先用基础模型编码历史轨迹，然后利用STRelay预测未来时空上下文，最后将两者融合进行多任务学习。
关键创新：STRelay的关键创新在于其显式建模未来时空上下文的方式。与直接预测下一个位置的方法不同，STRelay通过预测中间变量（时间间隔和移动距离）来提供更丰富的上下文信息。这种“传递”式的建模方法使得模型能够更好地捕捉用户的出行意图，从而提高预测准确性。此外，STRelay的通用性使其可以与多种基础位置预测模型集成，进一步提升它们的性能。
关键设计：STRelay使用多任务学习框架，同时预测下一个位置、时间间隔和移动距离间隔。损失函数是这三个任务损失的加权和。时间间隔和移动距离间隔被离散化为多个区间，并使用分类损失函数进行预测。网络结构方面，STRelay可以使用各种序列模型（如LSTM、Transformer）来编码历史轨迹和建模未来时空上下文。具体的参数设置需要根据不同的数据集和基础模型进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，STRelay与五个最先进的位置预测基础模型集成后，在四个真实世界轨迹数据集上，预测性能平均提高了2.49％-11.30％。尤其是在娱乐相关地点和长距离出行场景中，性能提升更为显著。这表明STRelay能够有效捕捉非日常活动中的不确定性，并为基础模型提供有价值的上下文信息。
🎯 应用场景
STRelay框架可广泛应用于各种基于位置的服务，如个性化旅行推荐、智能交通管理、城市规划和应急响应。通过更准确地预测用户未来的位置，可以优化路线规划、减少交通拥堵、提高资源分配效率，并为用户提供更个性化的服务。该研究的成果有助于构建更智能、更高效的城市交通系统。
📄 摘要（原文）
Next location prediction is a critical task in human mobility modeling, enabling applications like travel planning and urban mobility management. Existing methods mainly rely on historical spatiotemporal trajectory data to train sequence models that directly forecast future locations. However, they often overlook the importance of the future spatiotemporal contexts, which are highly informative for the future locations. For example, knowing how much time and distance a user will travel could serve as a critical clue for predicting the user's next location. Against this background, we propose \textbf{STRelay}, a universal \textbf{\underline{S}}patio\textbf{\underline{T}}emporal \textbf{\underline{Relay}}ing framework explicitly modeling the future spatiotemporal context given a human trajectory, to boost the performance of different location prediction models. Specifically, STRelay models future spatiotemporal contexts in a relaying manner, which is subsequently integrated with the encoded historical representation from a base location prediction model, enabling multi-task learning by simultaneously predicting the next time interval, next moving distance interval, and finally the next location. We evaluate STRelay integrated with five state-of-the-art location prediction base models on four real-world trajectory datasets. Results demonstrate that STRelay consistently improves prediction performance across all cases by 2.49\%-11.30\%. Additionally, we find that the future spatiotemporal contexts are particularly helpful for entertainment-related locations and also for user groups who prefer traveling longer distances. The performance gain on such non-daily-routine activities, which often suffer from higher uncertainty, is indeed complementary to the base location prediction models that often excel at modeling regular daily routine patterns.