Multiuser Multivariate Multiorder Markov-Based Multimodal User Mobility Pattern Prediction
Notice bibliographique
Résumé
Excavating human's temporal and spatial regularities hidden in trajectory data and predicting users' mobility patterns are conducive to providing proactive smart services for people. Combining Markov transition and tensor theories to improve the prediction performance has proved to be effective. However, the existing state-of-the-art multivariate multiorder Markov model neglects the mutual influence among different users. In a practical trajectory system, people's mobility patterns are influenced by their social relationships. Therefore, this article focuses on proposing a novel multiuser multivariate multiorder Markov model and a multimodal user mobility pattern prediction approach. First, we construct two concrete Markov trajectory transition models based on the single-user multivariate multiorder Markov model. Then, we propose a multiuser multivariate multiorder Markov model, including the influence model of multiple users and the multiuser Markov trajectory transition model. Afterward, two unified product-based power methods are developed to calculate the stationary joint eigentensor (SJE) for single-user and multiuser multivariate multiorder Markov models. Furthermore, an SJE-based multimodal prediction approach is proposed to realize precise mobility pattern prediction. Finally, we conduct a series of experiments based on real-world GPS trajectory data set to verify the performance of the proposed approaches. Experimental results demonstrate that the proposed multiuser multivariate multiorder Markov-based multimodal prediction approach can improve the trajectory prediction accuracy by highest up to 31.10% points compared with the Z-eigen-based approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».