用于轨迹表示学习的模糊编码
机器学习
2025-11-19 v1
摘要
轨迹表示学习(TRL)将轨迹映射为向量嵌入,并促进轨迹分类和相似性搜索等任务。最先进的TRL方法将原始GPS轨迹转换为网格轨迹或道路轨迹,以捕获高级出行语义,即区域和道路。然而,由于多个GPS点被分组到单个网格单元或道路段中,它们丢失了细粒度的时空细节。为了解决这个问题,我们提出了模糊编码方法,称为BLUE,它逐渐降低GPS坐标的精度,以创建具有多个层次的分层块。低层块较小,保留了细粒度的时空细节,而高层块较大,捕获了整体出行模式。为了使不同层次块相互补充,我们的BLUE是一个具有金字塔结构的编码器-解码器模型。在每个层次块上,使用Transformer学习当前层次的轨迹嵌入,而池化为编码器中的更高层准备输入,上分辨率为解码器中的更低层提供指导。BLUE使用均方误差损失通过轨迹重建任务进行训练。我们将BLUE与8种最先进的TRL方法在3个下游任务上进行比较,结果表明BLUE在所有基线上 consistently 实现了更高的准确率,平均优于最佳基线30.90%。我们的代码可在https://github.com/slzhou-xy/BLUE获取。
引用
@article{arxiv.2511.13741,
title = {Blurred Encoding for Trajectory Representation Learning},
author = {Silin Zhou and Yao Chen and Shuo Shang and Lisi Chen and Bingsheng He and Ryosuke Shibasaki},
journal= {arXiv preprint arXiv:2511.13741},
year = {2025}
}
备注
This paper is accepted by KDD2025(Feb. Cycle)