.png){kind=icon}
返回
A graph-based framework for analysing human mobility using spatial-temporal network representations
.png){kind=icon}
PRE
AI
DOI：10.1080/14498596.2026.2664052.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测人类流动需要关于如何表示人、地点和时间的决策。本文提供了一种基于被动收集轨迹的流动分析图构建和任务构建框架。使用Humob 2023数据集，我们实例化了三种常用的图表示方法，然后使用图注意力网络（GAT）和图卷积网络（GCN）基线来分离表示效应与架构效应。结果表明，表示方法和任务定义主导了性能差异，而GAT与GCN之间的差距在这种设置下相对较小。我们提炼了选择流动图表示的实用考虑因素，并讨论了局限性，特别是当细粒度时间演化是核心时，需要明确的动态图或序列建模。
Keyword:
Human mobility
graph neural networks
graph attention networks
geospatial AI
期刊
J
IF:
1.7
论文数:
15
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Exploring the heterogeneity of human urban movements using geo-tagged tweets使用地理标记的推文探索人类城市运动的异质性
OAAI
OAAI分享收藏
查看更多内容