.png){kind=icon}
返回
ExplainedKG-Next: an explainable human mobility pattern learning framework for next location prediction
.png){kind=icon}
OA
AI
DOI：10.1080/10095020.2026.2624271.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
签到数据的稀疏性显著阻碍了位置预测的准确性。为解决此问题，已开发出多种结合知识图谱的位置预测方法。然而，现有方法常导致多特征耦合嵌入，使得难以明确知识图中各元素的独特贡献。受可解释人工智能启发，本研究提出了一个用于下一位置预测的可解释人类移动模式学习框架。为此，我们首先设计了一个包含四元组的时空知识图谱（ST-KG）来刻画用户与位置间的复杂交互，并采用多通道图注意力网络（GAT）提取兴趣点（POI）时空信息的解耦嵌入。接着，利用多头自注意力机制从签到序列中提取多重时空特征以进行位置预测。最后，通过Shapley值阐明ST-KG中各元素的重要性。案例研究在纽约市和新加坡进行，以验证所提方法的可信度与有效性。在归因分析实验中，空间转移和空间邻近是影响用户移动的关键因素；然而，频繁访问时间会降低预测值。
Keyword:
Spatio-temporal knowledge graph (ST-KG)
multichannel graph attention network
self-attention
next location prediction
Shapley value
期刊
G
IF:
5.5
论文数:
874
被引数:
2.4K
机构
引用论文
Zhou, Y.; Wang, Y.; Zhang, F.; Zhou, H.; Sun, K.; Yu, Y. GATR: A Road Network Traffic Violation Prediction Method Based on Graph Attention Network. Int. J. Environ. Res. Public Health 2023, 20, 3432. [Google Scholar] [CrossRef]周, Y.; 王, Y.; 张, F.; 周, H.; 孙, K.; 于, Y. GATR: 一种基于图注意力网络的交通网络违章预测方法. 国际环境研究与环境健康杂志 2023, 20, 3432. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Predicting the locations of missing persons in China by using NGO data and deep learning techniquesOAAI
OAAI分享收藏
查看更多内容