Pointer-Generator Transformer untuk Prediksi Lokasi Berikutnya

Aetandrian Widya Raharjo, Widyawan, S.T., M.Sc., Ph.D.; Dr. Indriana Hidayah, S.T., M.T

2026 | Tesis | S2 Teknologi Informasi

Prediksi lokasi berikutnya mendukung berbagai aplikasi, seperti rekomendasi terpersonalisasi, analisis mobilitas terkait penyebaran penyakit, dan manajemen lalu lintas perkotaan, dengan memperkirakan lokasi yang kemungkinan akan dituju oleh seseorang. Meskipun metode deep learning telah meningkatkan kinerja prediksi ini, sebagian besar model yang ada masih menggunakan standard classification head yang memprediksi lokasi dari himpunan lokasi yang telah ditentukan. Pendekatan tersebut tidak secara langsung memprioritaskan lokasi yang pernah dikunjungi sebelumnya, sementara mobilitas manusia menunjukkan pola yang teratur dan seseorang cenderung kembali ke lokasi yang pernah dikunjungi sebelumnya. Selain itu, model tersebut tidak dapat memprediksi lokasi baru sebagai ID lokasi spesifik apabila lokasi tersebut berada di luar himpunan lokasi yang telah ditentukan. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan Pointer-Generator Transformer (PGT), yang menggabungkan Transformer Decoder dengan Pointer-Generator Network. Komponen generator memprediksi dari seluruh lokasi dalam himpunan lokasi yang telah ditentukan, pointer memberikan probabilitas pada lokasi yang muncul dalam input sequence, sedangkan mekanisme gating mengatur kontribusi kedua mekanisme tersebut dalam prediksi akhir. Berdasarkan evaluasi pada dataset GeoLife dan dataset mobilitas GPS dari Yogyakarta, PGT memperoleh performa terbaik pada seluruh metrik evaluasi, dengan nilai Acc@1 masing-masing sebesar 40,17?n 43,46%. Hasil ini menunjukkan bahwa penggabungan prediksi global dengan pemilihan langsung dari sequence mobilitas sebelumnya dapat meningkatkan prediksi lokasi berikutnya, khususnya pada pola pergerakan yang melibatkan kunjungan berulang.

Next location prediction supports various applications, such as personalized recommendation, mobility analysis related to disease spread, and urban traffic management, by estimating the location that a person is likely to visit next. Although deep learning methods have improved the performance of this task, most existing models still rely on a standard classification head that predicts locations from a predefined set of locations. This approach does not directly prioritize locations that have been visited before, even though human mobility exhibits regular patterns and individuals tend to return to previously visited locations. In addition, such models cannot predict a new location as a specific location ID when the location is outside the predefined set. To address these limitations, this study proposes the Pointer-Generator Transformer (PGT), which combines a Transformer Decoder with a Pointer-Generator Network. The generator component predicts over all locations in the predefined location set, the pointer assigns probabilities to locations that appear in the input sequence, and the gating mechanism controls the contribution of both mechanisms in the final prediction. Based on evaluations on GeoLife and a GPS mobility dataset from Yogyakarta, PGT achieves the best performance across all evaluation metrics, with Acc@1 values of 40.17% and 43.46%, respectively. These results show that combining global prediction with direct selection from previous mobility sequences can improve next location prediction, particularly for movement patterns involving repeated visits.

Kata Kunci : Next-location prediction, Pointer-Generator Network, Transformer