Awesome-Urban-Mobility-Prediction

这是一个关于城市移动预测的数据集合集，收集了多个用于城市移动预测研究的数据集资源，包括Foursquare、Gowalla、Yelp、Brightkite、Weeplaces和Instagram等。合集还涵盖了相关论文、代码和性能指标，旨在为研究人员和开发者提供全面的资源索引。This is a curated dataset collection for urban mobility prediction research. It aggregates multiple dataset resources employed in urban mobility prediction studies, including Foursquare, Gowalla, Yelp, Brightkite, Weeplaces, Instagram, and others. This collection also encompasses relevant research papers, code implementations, and performance metrics, with the objective of providing a comprehensive resource index for researchers and developers.

原始信息汇总

数据集详情概述

该页面是 Awesome-Urban-Mobility-Prediction 的 GitHub 仓库，专注于城市移动性预测领域，汇总了相关的论文、数据集和代码。

数据集列表

该页面列出了以下常用的城市移动性预测数据集：

• Foursquare: https://sites.google.com/site/yangdingqi/home/foursquare-dataset?authuser=0
• Gowalla: https://snap.stanford.edu/data/loc-gowalla.html
• Yelp: https://www.yelp.com/dataset
• Brightkite: https://snap.stanford.edu/data/loc-Brightkite.html
• Weeplaces: https://www.yongliu.org/datasets/
• Instagram: https://data.world/datasets/instagram

研究任务与论文

该页面主要聚焦于 下一个地点推荐（Next Place Recommendation） 任务，并整理了相关论文的详细信息，包括作者、代码链接、发表年份、会议/期刊以及性能指标。部分代表性论文及其性能（在特定数据集上）如下：

• ST-RNN (2016, AAAI): 在 Gowalla 数据集上，Rec@5=0.1524, Rec@10=0.2714。
• Geo-teaser (2017, WWW): 在 Foursquare 数据集上，Prec@5=0.13, Rec@5=0.15。
• DeepMove (2018, WWW): 在 Foursquare (NY) 上，Rec@5=0.3372, Rec@10=0.4091。
• GeoSAN (2020, KDD): 在 Gowalla 上，Acc@5=0.4951, Acc@10=0.6028。
• STAN (2021, WWW): 在 NYC 数据集上，Recall@5=0.4669, Recall@10=0.5962。
• GETNext (2022, SIGIR): 在 Foursquare (NYC) 上，Acc@5=0.5089, Acc@10=0.6143。
• Graph-Flashback (2022, KDD): 在 Gowalla 上，Acc@5=0.3425, Acc@10=0.4256。

页面中还包含了许多其他模型，例如 STGN、LSTPM、HME、SGRec、PREMERE 等，涵盖从 2016 年到 2022 年的主要研究成果，数据集使用情况以 Foursquare、Gowalla、Brightkite 和 Weeplaces 为主。

搜集汇总

数据集介绍

构建方式

城市移动预测是智慧城市与时空数据挖掘领域的关键议题，旨在通过历史轨迹数据揭示人类活动的动态规律。Awesome-Urban-Mobility-Prediction数据集集合了Foursquare、Gowalla、Yelp、Brightkite、Weeplaces及Instagram等知名社交网络与位置服务平台的真实签到数据，为研究者提供了多源异构的时空行为记录。该数据集的构建并非简单堆砌原始数据，而是通过系统化的文献调研，遴选出在顶级会议（如AAAI、KDD、WWW、IJCAI）中广泛采用的标准数据集，并配套整理了对应的论文、代码与性能基准，从而形成一套可复现、可比较的研究资源体系。

特点

该数据集的核心特色在于其高度的结构化与领域覆盖性。一方面，它横跨了从Foursquare的细粒度兴趣点签到到Gowalla的社交网络位置分享等多种数据形态，充分反映了城市移动的时空异质性与用户行为多样性。另一方面，数据集不仅收录了原始签到记录，还以翔实的表格形式汇总了数十种前沿模型（如ST-RNN、DeepMove、GeoSAN、GETNext等）在统一评估协议下的性能指标，包括召回率、准确率与平均精度均值等，使得研究者能够直观地审视不同方法的优劣与演进脉络。这种集成式的信息组织方式，极大地降低了领域入门的门槛，并促进了实验对比的公平性。

使用方法

使用该数据集时，研究者可依据研究目标选择合适的数据源与基线模型。例如，进行下一兴趣点推荐任务时，可直接从表格中选取Foursquare或Gowalla的预处理版本，并参考对应论文中描述的划分策略（如按时间顺序划分训练集、验证集与测试集）。同时，GitHub仓库中提供的代码链接（如Flashback、GeoSAN、STAN等）为快速复现提供了便利。此外，建议结合数据集中的性能记录来设定合理的实验预期，并利用多源数据验证模型的跨域泛化能力。对于希望拓展新方法的学者，该资源库也是追踪最新研究趋势与获取高质量基准的可靠起点。

背景与挑战

背景概述

城市移动预测作为智慧城市建设的核心课题，旨在通过分析人类活动轨迹与时空交互模式，精准预判个体或群体的未来位置。自2016年起，学术界围绕下一地点推荐（Next Place Recommendation）展开了系统性探索，以中国科学院自动化研究所刘强团队提出的ST-RNN为起点，该工作首次将循环神经网络与时空上下文融合，在Gowalla等基准数据集上验证了序列建模的潜力。随后，香港中文大学赵胜林等人于2017年提出Geo-teaser模型，引入地理时序嵌入机制，显著提升了兴趣点推荐的精度。该领域的研究主体涵盖清华大学、中国科学技术大学、新加坡南洋理工大学等顶尖机构，形成了从经典循环网络到注意力机制、图神经网络的演进脉络。这些工作不仅推动了位置服务技术的发展，更为交通规划、城市应急响应等应用提供了理论支撑，使城市移动预测成为数据挖掘与人工智能交叉领域的重要研究方向。

当前挑战

该领域面临的核心挑战在于如何应对用户签到数据的稀疏性与异质性。一方面，真实场景中用户移动轨迹往往呈现长尾分布，大量兴趣点仅有少量访问记录，导致模型难以捕捉稳定的时空模式，如Foursquare数据集在纽约、东京等城市区域的签到密度差异悬殊，传统序列模型容易陷入过拟合。另一方面，构建高质量基准数据集时需平衡地理覆盖度与隐私保护，现有公开数据集如Gowalla、Brightkite多源自社交网络签到服务，其采样偏差与时间戳缺失问题制约了模型泛化能力。此外，城市移动的时空耦合特性要求模型同时建模周期性规律（如通勤模式）与突发性事件（如节假日人流激增），而现有方法在处理多尺度时间依赖（小时、周、季节）与空间层次结构（街区、区域、城市）的交互时仍存在精度瓶颈，尤其在冷启动场景下推荐效果显著衰减。

常用场景

经典使用场景

在城市计算与时空数据挖掘的交叉领域中，Awesome-Urban-Mobility-Prediction数据集集合为研究者提供了丰沛的素材，尤其聚焦于下一地点推荐（Next POI Recommendation）这一经典任务。借助Foursquare、Gowalla、Brightkite等平台的用户签到序列，研究者得以建模人类移动行为的时空演化规律。该场景下，模型需根据用户历史轨迹，预测其即将访问的兴趣点，其核心在于捕捉时空上下文中的周期性模式、序列依赖性与地理邻近性，从而实现对个体出行意图的精准推断。

实际应用

在实际应用中，基于这些数据集训练的模型已在多个场景中落地生根。在智能交通领域，LightMove模型利用下一地点推荐为出租车顶广告投放提供实时决策支持，实现了高精度命中率。在社交网络与本地服务推荐中，Yelp与Foursquare的数据驱动了诸如Geo-teaser等系统，为用户提供个性化的场所推荐，提升用户体验与平台黏性。此外，基于轨迹预测的算法还被用于城市应急管理、人流疏导与商业选址，展现出广泛的社会经济价值。

衍生相关工作

该数据集集合催生了一系列具有深远影响的经典工作。从早期的ST-RNN与Geo-teaser，到引入注意力机制的DeepMove与TMCA，再到融合图神经网络的GeoSAN与Graph-Flashback，这些研究层层递进，不断突破预测性能的边界。近年来，GETNext通过轨迹流图增强Transformer，MEMO则探索多关系建模，进一步拓展了时空表征学习的范式。这些衍生工作不仅推动了下一代推荐系统的技术演进，也为跨领域迁移学习与少样本预测等前沿方向奠定了基础。