Gather prediction is an indispensable part of smart city projects. The city government can respond in advance based on gather predictions and greatly reduce the loss and risks caused by vicious gatherings. Compared with other trajectory prediction tasks (i.e., the recommendation of point of interest), gather prediction pay more attention to real-time trajectory data and requests stronger spatial-temporal dependence. At the same time, gather prediction is more focused on scenes with multiple types of trajectories. And the existing methods majorly rely on the trajectory data and ignore the great influence of geographical environment (i.e., road network structure). Therefore, this paper transforms the gather prediction into the trajectory prediction task with strong real-time condition in a certain city and conducts the gathering situations by predicting users’ aggregated movements in next minutes or hours. A novel Spatiotemporal Gate Recurrent Unit (STGRU) model is proposed, where spatiotemporal gates and road network gate are introduced to capture the spatiotemporal relationships between trajectories. Compared with existing methods, we improve the performance of the model by adding road network structure and external knowledges, as well as time and distance gates to reduce model parameters. The proposed STGRU is evaluated on three real-world trajectory datasets, and the experimental results demonstrate the effectiveness of the proposed model.

中文翻译：

---

一种用于智能城市聚集预测的路网增强门循环单元模型

聚集预测是智慧城市项目中不可或缺的一部分。市政府可以根据聚集预测提前做出反应，大大降低恶性聚集造成的损失和风险。与其他轨迹预测任务（即兴趣点推荐）相比，聚集预测更注重实时轨迹数据，要求更强的时空依赖性。同时，聚集预测更侧重于具有多种轨迹类型的场景。而现有的方法主要依赖于轨迹数据，忽略了地理环境（即路网结构）的巨大影响。所以，本文将聚集预测转化为某一城市实时性强的轨迹预测任务，通过预测用户在接下来的几分钟或几小时内的聚集运动来进行聚集情况。提出了一种新的时空门循环单元（STGRU）模型，其中引入了时空门和道路网络门来捕捉轨迹之间的时空关系。与现有方法相比，我们通过添加路网结构和外部知识，以及时间和距离门来减少模型参数来提高模型的性能。所提出的 STGRU 在三个真实世界的轨迹数据集上进行了评估，实验结果证明了所提出模型的有效性。提出了一种新的时空门循环单元（STGRU）模型，其中引入了时空门和道路网络门来捕捉轨迹之间的时空关系。与现有方法相比，我们通过添加路网结构和外部知识，以及时间和距离门来减少模型参数来提高模型的性能。所提出的 STGRU 在三个真实世界的轨迹数据集上进行了评估，实验结果证明了所提出模型的有效性。提出了一种新的时空门循环单元（STGRU）模型，其中引入了时空门和道路网络门来捕捉轨迹之间的时空关系。与现有方法相比，我们通过添加路网结构和外部知识，以及时间和距离门来减少模型参数来提高模型的性能。所提出的 STGRU 在三个真实世界的轨迹数据集上进行了评估，实验结果证明了所提出模型的有效性。以及时间和距离门以减少模型参数。所提出的 STGRU 在三个真实世界的轨迹数据集上进行了评估，实验结果证明了所提出模型的有效性。以及时间和距离门以减少模型参数。所提出的 STGRU 在三个真实世界的轨迹数据集上进行了评估，实验结果证明了所提出模型的有效性。