MobilityDL：基于轨迹数据的深度学习综述
内容提要
该文综述深度学习在人类移动预测中的前沿研究，涵盖下一位置预测、人流预测和轨迹预测等任务，并介绍无监督移动行为聚类、端到端多模式轨迹预测、TrajNet++基准、多TCN-LSTM流量预测、可解释GeoXAI、SSDL兴趣点预测、数字孪生预测及泛化性重排序方法等成果。
延伸解读
从任务分类到技术演进
文章按时间顺序梳理了深度学习在人类移动预测中的多项研究，涵盖下一位置预测、人流预测、轨迹预测等任务。从2016年的SSDL到2023年的GeoXAI，技术路线从监督学习扩展到无监督聚类、端到端多模式预测和可解释性研究，反映了该领域从单一任务向多任务、多方法融合的发展趋势。
性能提升与泛化挑战
多项研究展示了性能提升，如multi TCN-LSTM流量预测性能提升28%，SSDL在ACC@1上提高8.57%。但2022年的泛化性测试发现，公共数据集中存在严重轨迹重叠，预测器可能记忆轨迹而非泛化，通过重排序方法在不可记忆轨迹上相对改进高达96.15%，提示实际应用中需关注泛化能力。
可解释性与数字孪生新方向
文章介绍了GeoXAI和数字孪生预测等新兴方向。GeoXAI利用时空图神经网络和反事实方法从GPS轨迹中学习可解释模型，主张以人为本的解释；数字孪生方法将预测分为粗粒度和细粒度两阶段，在日本关东地区GPS数据集上验证了准确度和时间效率，为移动预测提供了新思路。
Q&A
MobilityDL综述主要研究哪些人类移动预测任务？
该综述研究下一位置预测、人流预测、轨迹和流预测等任务。
DETECT方法是如何进行移动行为聚类的？
DETECT是一种基于无监督神经网络的移动行为聚类方法，通过考虑移动行为的地理位置、采用嵌入式特征提取，在行为潜在空间内进行聚类分析。
TrajNet++基准是什么？
TrajNet++是一个大规模基于交互的基准，用于预测人类轨迹和建模社交交互，并在真实和合成数据集上验证了方法的可靠性。
multi TCN-LSTM模型在移动流量预测中表现如何？
该模型结合了每日移动流量高峰时间的聚类策略和多时间卷积网络与长短期记忆模型，实验结果显示性能提升达到28%。
GeoXAI研究关注什么？
GeoXAI研究关注可解释的移动数据科学，通过时空图神经网络和反事实方法从密集轨迹数据中学习可解释模型，并主张采用以人为本的方法进行解释。
SSDL算法如何解决下一个POI预测问题？
SSDL使用深度神经网络处理大规模空间-时间轨迹数据，利用离散学习提取潜在的时间不变和时间变化因素，通过增强轨迹增强方法解决稀疏性问题，并探索历史签入背后的异构协作信号。
基于数字孪生的人类移动预测方法是如何工作的？
该方法将粗粒度预测与细粒度预测分为两个阶段，通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。
深度学习预测器在移动数据集上的泛化能力如何？
研究发现所有分析数据集中存在严重的轨迹重叠问题，表明预测器能够记忆轨迹但泛化能力有限。
