路网约束轨迹的深层时空感知相似度计算
机器学习
2022-03-01 v2 数据库
摘要
轨迹相似度计算已引起大量关注，因为它是拼车、交通分析和社交推荐等广泛应用中的核心功能。受近期深度学习技术成功的推动，研究者开始致力于基于学习的相似度分析，以克服传统方法的局限（即高开销与弱适应性）。具体地，深度轨迹相似度计算旨在学习一个可通过神经网络评估两条轨迹相似程度的的距离函数。然而，现有基于学习的方法关注空间相似性却忽略轨迹的时间维度，这对时间感知应用而言是次优的。此外，它们往往忽视轨迹到路网的嵌入，限制了其在真实场景中的适用性。本文提出一种名为 ST2Vec 的有效基于学习的框架，用于在路网中执行高效的时空感知轨迹相似度计算。最后，基于三个真实轨迹数据集的广泛实验评估表明，ST2Vec 大幅优于所有最先进的方法。
引用
@article{arxiv.2112.09339,
title = {Deep Spatially and Temporally Aware Similarity Computation for Road Network Constrained Trajectories},
author = {Ziquan Fang and Yuntao Du and Xinjun Zhu and Lu Chen and Yunjun Gao and Christian S. Jensen},
journal= {arXiv preprint arXiv:2112.09339},
year = {2022}
}