.png){kind=icon}
返回
Generating geospatial trajectories with incomplete data using graph inverse reinforcement learning
.png){kind=icon}
OA
AI
DOI：10.1080/13658816.2026.2658065.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地理人类系统的模拟通常依赖于轨迹生成来建模智能体行为。本文在数据有限条件下探讨轨迹生成问题。我们演示了如何利用深度学习，基于两个耶路撒冷数据集（GPS出行调查和包含所有建筑的GIS数据集）再现具有代表性的城市移动模式。为缓解两个数据集之间的数据不匹配问题，我们采用多维度聚类进行信息传播。为利用由转移矩阵表征的潜在地理空间网络结构，我们使用图神经网络（GNN）作为奖励函数近似器，并将其与线性方法和多层感知器作为基线进行比较。对于基线方法，转移概率主导行为，而GNN则从全局数据模式或局部邻域结构中学习。结果表明，由GNN衍生的奖励与建筑楼层面积相关性更强，从而影响转移概率。我们测试了多种初始和终止状态配置，以基于学习策略生成轨迹。由于缺乏公认的评估方法，我们采用聚合性能指标而非个体轨迹相似性来评估轨迹。研究发现，基于GNN的奖励能够提升模拟轨迹的真实性，尽管仍需进一步优化。
Keyword:
Simulation
geospatial trajectories
data constraints
machine learning
期刊
IF:
5.1
论文数:
2.7K
被引数:
9.3K
机构
引用论文
Deep reinforcement learning approaches for global public health strategies for COVID-19 pandemic.png)
PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏Analysis of human mobility patterns from GPS trajectories and contextual information从GPS轨迹和上下文信息分析人类移动模式
OAAI
OAAI分享收藏Mobility during the COVID-19 Pandemic: A Data-Driven Time-Geographic Analysis of Health-Induced Mobility Changes新型冠状病毒肺炎大流行期间的流动性: 健康引起的流动性变化的数据驱动的时间地理分析SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏
查看更多内容