城市出行矩阵不再混装出行目的:EASTAR用线下活动事件拆出语义通道,芝加哥签到预测MAE降39.15%
核心概要
城市区域表示长期依赖聚合起讫矩阵,通勤、购物、社交等不同目的的出行被混成同一种交互强度,难以按任务挑选功能语义。EASTAR把线下活动事件当作稀疏语义锚点,沿出行流补全后把聚合出行表示分解为多个目的相关通道,并保留自由通道与全局通道。在纽约和芝加哥两个城市、四项预测任务上,EASTAR均优于所比较的代表性基线,其中芝加哥签到预测的MAE较最强基线降低39.15%。
深度剖析
城市区域表示现在可以按活动目的拆开,而不是只保留一张不分目的的出行交互图。 此前的基于出行方法从聚合起讫矩阵学习,把不同活动目的驱动的出行混成与目的无关的交互模式;兴趣点和土地利用等静态属性只描述区域内部有什么设施,不能把交互落到活动目的上。 在纽约和芝加哥两个真实城市数据集、四项预测任务上,EASTAR均优于12个代表性基线,芝加哥签到预测的MAE较最强基线降低39.15%,纽约签到预测降低23.11%。
拆分的依据来自线下活动事件,而不是再叠加一路数据视图。 事件数据只覆盖部分区域,且只记录活动类别、时间、地点和参与人数,本身稀疏。 每个区域的活动事件先按类别汇总成文本并用句向量编码为语义锚点,再沿出行图做流感知的注意力传播补全缺失类别,随后以补全后的语义为查询、以出行表示为键值,用广播注意力为每个目的抽取一条通道;另设自由通道捕捉事件未覆盖的潜在出行模式,全局通道保留整体空间结构。
通道建好后按任务选择,而不是所有任务共用一套权重。 犯罪与人口等任务依赖不同的功能语义,单一与任务无关的嵌入难以同时适配。 大语言模型根据任务描述和通道语义给出初始通道相关性,初始化一个轻量路由器,再由下游监督微调;在纽约和芝加哥上,不同任务激活不同通道组合,例如签到预测偏重餐饮与社交通道,犯罪预测依赖全局通道并辅以社交动态。
启示与展望
演示范围限于纽约和芝加哥两个城市、四项区域级计数回归任务,区域划分为180个和77个不重叠单元,事件语义来自Meetup活动记录。
事件数据只是稀疏的语义锚点,并非真实的出行目的标签;评估只覆盖两个城市,更广的城市情境与更丰富的活动数据来源仍待研究。
