Combining recurrent and Graph Neural Networks to predict the next place’s category

Redes Neurais de Grafos no Contexto das Cidades Inteligentes

“…Em determinadas soluções, é comum que as predições não sejam diretamente calculadas sobre as representações latentes encontradas pela GNN. Ao contrário, a predição é calculada a partir de uma combinação (e.g., produto, concatenação, dentre outras operações) das representações latentes da GNN com representações encontradas por outros componentes da rede neural, como ocorre em (Capanema et al, 2021b).…”

“…O modelo apresentado em (Capanema et al, 2021b) prevê a categoria do próximo local a ser visitado, o que é importante para que provedores de serviços móveis realizem ações de marketing mais assertivas. Neste trabalho, cada vértice do grafo corresponde a uma categoria de PoI (modelagem Item-Item) e diferentes matrizes de atributos de vértices (e.g., matrizes de distância e duração de tempo entre visitas aos estabelecimentos de cada categoria) são utilizadas em blocos separados de convolução.…”

“…No contexto das cidades inteligentes, grafos podem ser gerados a partir de séries temporais de diferentes tipos: trajetórias de GPS de usuários móveis (S. Capanema et al, 2021b); trajetórias de GPS de veículos (Dai et al, 2020), sequências de dados coletados por sensores de tráfego (Yu et al, 2017;Deng et al, 2022), embutidos em dispositivos móveis (e.g., acelerômetro e giroscópio (Mondal et al, 2020)); dados coletados periodicamente sobre a movimentação de massas (La Gatta et al, 2020); imagens pré-processadas (e.g., algoritmos que detectam junções do corpo humano para posterior construção de grafo no problema de reconhecimento de atividade humana) (Sanchez et al, 2021).…”

“…Um grafo dinâmico discreto temporalmente (do inglês discrete-time dynamic graph ou simplesmente DTDG) é composto por uma sequência de snapshots de grafos Representação latente de cada PoI (S. e Distância e duração entre visitas (Capanema et al, 2021b) Estação de sensor Velocidade (Yu et al, 2017) Estação de metrô Fluxos de passageiros (Ye et…”

“…A i j = 1 se v i e v j estabelecem algum relacionamento ou contato e A i j = 0 caso contrário (Xiao et al, 2020), (Tomy et al, 2022), (Mondal et al, 2020), (Sanchez et al, 2021) e (Sanchez et al, 2021) Frequência A i j indica a frequência de transições/viagens entre v i e v j (Capanema et al, 2021b) e (La Gatta et al, 2020) Similaridade A i j representa o grau de similaridade entre as representações de v i e v j (Shen et al, 2018) Vizinhança A i j = 1 se v i e v j forem vizinhos e A i j = 0 caso contrário. Esse é um caso particular de relacionamento/contato para entidades geográficas (S. Hu et al, 2021) e (S. [G (1) ,G (2) , .…”