GCN-TULHOR: Trajectory-User Linking Leveraging GCNs and Higher-Order Spatial Representations

📄 arXiv: 2509.11095v1 📥 PDF

作者: Khoa Tran, Pranav Gupta, Manos Papagelis

分类: cs.LG

发布日期: 2025-09-14

💡 一句话要点

提出GCN-TULHOR以解决轨迹用户关联问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 轨迹用户关联 图卷积网络 高阶流动表示 空间依赖建模 个性化推荐 隐私保护分析 城市规划

📋 核心要点

  1. 现有轨迹用户关联方法在处理稀疏数据和复杂空间依赖时表现不佳，难以有效建模用户行为。
  2. GCN-TULHOR通过六边形镶嵌技术将位置数据转化为高阶流动表示，并结合图卷积网络，增强了空间语义的捕捉能力。
  3. 在六个真实世界数据集上的实验显示，GCN-TULHOR在准确性和F1分数上相较于传统基线和其他模型有1-8%的相对提升。

📝 摘要（中文）

轨迹用户关联（TUL）旨在将匿名轨迹与生成它们的用户关联，这对于个性化推荐、隐私保护分析和安全的基于位置的服务至关重要。现有方法在稀疏数据、不完整路径和复杂空间依赖建模方面存在困难，通常依赖低级签到数据或忽视空间模式。本文提出GCN-TULHOR方法，通过六边形镶嵌将原始位置数据转化为高阶流动表示，减少数据稀疏性并捕捉更丰富的空间语义，同时集成图卷积网络（GCNs）。该方法将稀疏签到和连续GPS轨迹数据转换为统一的高阶流动表示，减轻稀疏性并捕获更深层的语义信息。实验结果表明，GCN-TULHOR在准确性、精确度、召回率和F1分数上相较于经典基线、RNN和Transformer模型以及TULHOR方法均有一致提升。

🔬 方法详解

问题定义：论文要解决的具体问题是如何将匿名轨迹与用户关联，现有方法在稀疏数据和复杂空间依赖建模方面存在不足，导致效果不佳。

核心思路：论文的核心解决思路是利用六边形镶嵌将原始位置数据转化为高阶流动表示，并结合图卷积网络（GCNs），以捕捉更丰富的空间语义和复杂关系。

技术框架：整体架构包括数据预处理、六边形镶嵌生成高阶流动表示、GCN层建模空间关系和最终的用户关联预测模块。

关键创新：最重要的技术创新点在于将高阶流动表示与GCNs结合，显著提升了对复杂空间依赖的建模能力，而不依赖于时间戳或兴趣点等额外信息。

关键设计：关键参数设置包括单层GCN和512维嵌入，损失函数采用标准的交叉熵损失，网络结构设计上强调了空间学习与序列建模的结合。

📊 实验亮点

实验结果表明，GCN-TULHOR在六个真实世界数据集上相较于传统基线和其他模型在准确性、精确度、召回率和F1分数上均有1-8%的相对提升，验证了其有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括个性化推荐系统、城市规划和安全服务等。通过有效的轨迹用户关联，能够提升用户体验，增强隐私保护，并为城市管理提供数据支持，未来可能对智能城市发展产生深远影响。

📄 摘要（原文）

Trajectory-user linking (TUL) aims to associate anonymized trajectories with the users who generated them, which is crucial for personalized recommendations, privacy-preserving analytics, and secure location-based services. Existing methods struggle with sparse data, incomplete routes, and limited modeling of complex spatial dependencies, often relying on low-level check-in data or ignoring spatial patterns. In this paper, we introduced GCN-TULHOR, a method that transforms raw location data into higher-order mobility flow representations using hexagonal tessellation, reducing data sparsity and capturing richer spatial semantics, and integrating Graph Convolutional Networks (GCNs). Our approach converts both sparse check-in and continuous GPS trajectory data into unified higher-order flow representations, mitigating sparsity while capturing deeper semantic information. The GCN layer explicitly models complex spatial relationships and non-local dependencies without requiring side information such as timestamps or points of interest. Experiments on six real-world datasets show consistent improvements over classical baselines, RNN- and Transformer-based models, and the TULHOR method in accuracy, precision, recall, and F1-score. GCN-TULHOR achieves 1-8% relative gains in accuracy and F1. Sensitivity analysis identifies an optimal setup with a single GCN layer and 512-dimensional embeddings. The integration of GCNs enhances spatial learning and improves generalizability across mobility data. This work highlights the value of combining graph-based spatial learning with sequential modeling, offering a robust and scalable solution for TUL with applications in recommendations, urban planning, and security.