DASH：一种面向人类出行预测的灾害感知社会语义增强超图卷积网络

《ACM Transactions on Intelligent Systems and Technology》：DASH: Disaster-Aware Social-Semantic Enhanced Hypergraph Convolution Network for Human Mobility Forecasting

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

大规模灾害通过疏散、交通混乱和人口迁移显著扰乱了人类的流动模式，给危机应对和城市管理带来了严峻挑战。尽管时空图神经网络在常规流动预测中取得了成功，但由于灾害引发的流动具有突发性、非周期性和强空间局部性等特点，它们在灾害导致的流动预测方面表现欠佳。虽然社交媒体提供了宝贵的灾害相关流动洞察，但现有方法无法充分利用语义信息，且在超图架构中存在时间信息泄漏问题。为了解决这些局限性，我们提出了灾害感知社会语义增强超图（Disaster-Aware Social-Semantic Enhanced Hypergraph, DASH），这是一种面向灾害条件下人类流动预测的新型框架。DASH 由三个核心组件构成：(1) 灾害语义提取器（DSE），它利用了社交媒体上超越简单发帖量的丰富语义线索；(2) 对比流动编码器（CME），它学习具有判别力的表示，以捕捉各种流动模式之间的差异；以及 (3) 动态掩码时间超图卷积网络（DMTHGCN），该网络采用了一种新颖的时间掩码机制，在建模高阶空间关系的同时防止未来信息泄漏。我们的三模态门控机制自适应地融合流动、语义和发帖量三种模态，以增强对灾害的敏感性并抑制噪声。在三个真实世界灾害数据集上的大量实验表明，DASH 的表现优于最先进的基线方法，在所有评估的基线方法上，RMSE 平均提升了 35.44%，MAE 平均提升了 37.11%。消融研究证实了每个组件的有效性，其中对比流动编码器对性能提升的贡献最为显著。此外，DASH 允许与城市基础模型进行潜在集成，从而将灾害感知社会感知注入数值模型骨干。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，未由本文作者撰写或审阅。它旨在支持文献检索、帮助读者评估相关性，并协助相邻研究领域的读者理解该研究。本摘要作为作者提供的摘要的补充，后者仍是论文的权威摘要。全文仍是权威的正式版本。点击此处了解更多。

点击此处就该摘要的准确性、清晰度和实用性发表评论。您的反馈将有助于改进和生成未来版本。

要查看此 AI 生成的通俗摘要，您必须拥有高级访问权限。