A novel methodology for prediction of spatial-temporal activities using latent features

در عصر امروز از داده های بزرگ، مقدار زیادی از داده های فضایی-زمان به طور روزانه از هر نوع زیربناهای شهرستان ساخته شده است. درک و پیش بینی دقیق چنین مقدار زیادی از داده ها می تواند به بسیاری از برنامه های دنیای واقعی منجر شود. در این مقاله ما یک روش جدید برای پیش بینی فعالیت های فضایی-زمانی، مانند تحرک انسانی، به خصوص جریان و خروج مردم در محیط های شهری بر اساس مجموعه داده های تحرک در مقیاس وسیع ارائه می دهیم. روش اول ما ابتدا ویژگی های پنهان محیط های مختلف فضایی و عوامل موقتی را از طریق تخصیص تانسور شناسایی و ارزیابی می کنیم. فرض ما این است که الگوهای فعالیت های فضایی-زمانی به شدت وابسته به ویژگی های فضایی-زمانی هستند. ما این رابطه وابسته پنهان را به عنوان یک فرایند گاوسی مدل می کنیم که می تواند به عنوان یک توزیع بیش از توابع احتمالی برای پیش بینی تحرک انسان شناخته شود. ما روش پیشنهادی ما را از طریق آزمایشاتی که در مورد مطالعه موردی سفرهای تاکسی شهر نیویورک انجام شده بود، مورد بررسی قرار دادیم و متمرکز بر الگوهای تحرک ورود و خروج فضایی-زمانی در مناطق مختلف فضایی و دوره های زمانی بودیم. نتایج آزمایشات، فرضیه ما را تایید کرده و نشان می دهد که روش پیش بینی ما، دقت بیشتری نسبت به سایر روش های موجود را به دست می آورد.