面向轨迹表示学习的情境感知路由选择语义捕获
计算机视觉与模式识别
2025-12-02 v2 机器学习
摘要
轨迹表示学习（TRL）旨在将原始轨迹数据编码为低维嵌入，用于下游任务，如旅行时间估计、 mobility 预测和轨迹相似性分析。从行为角度看，轨迹反映了城市环境中一系列路由选择。然而，大多数现有 TRL 方法忽略了这一底层决策过程，仅将轨迹视为静态、被动的时空序列，从而限制了所学表示的语义丰富性。为弥合这一差距，我们提出了 CORE，一种集成情境感知路由选择语义的 TRL 框架。CORE 首先包含多粒度环境感知模块，利用大型语言模型（LLM）从兴趣点（POI）分布中提炼环境语义，从而构建情境丰富的道路网络。基于这一骨架，CORE 采用混合专家（MoE）架构的路由选择编码器，利用情境丰富的道路网络和导航因素共同捕获路由选择模式。最后，转换编码器将路由选择感知的表示聚合为全局轨迹嵌入。在 4 个真实数据集上的大量实验表明，CORE 在 6 个下游任务上均显著优于 12 种最先进的 TRL 方法，平均提升最佳基线的 9.79%。我们的代码已公开于 https://github.com/caoji2001/CORE。
关键词
引用
@article{arxiv.2510.14819,
title = {Capturing Context-Aware Route Choice Semantics for Trajectory Representation Learning},
author = {Ji Cao and Yu Wang and Tongya Zheng and Jie Song and Qinghong Guo and Zujie Ren and Canghong Jin and Gang Chen and Mingli Song},
journal= {arXiv preprint arXiv:2510.14819},
year = {2025}
}