DouFu：一种用于驾驶轨迹表示的双融合联合学习方法

驾驶轨迹表示学习对于各种基于位置的服务（如驾驶模式挖掘和路线推荐）具有重要意义。然而，以往的表示生成方法往往很少解决三个挑战：1）如何低成本地表示移动性的复杂语义意图；2）由于轨迹数据的稀疏性和异质性导致的复杂且弱的时空依赖关系；3）路线选择偏好及其与驾驶行为的相关性。在本文中，我们提出了一种新颖的多模态融合模型 DouFu，用于轨迹表示联合学习，该模型应用多模态学习和注意力融合模块来捕捉轨迹的内部特征。我们首先设计从轨迹数据和城市功能区生成的移动、路线和全局特征，然后分别用注意力编码器或前馈网络对其进行分析。注意力融合模块将路线特征与移动特征相结合，以创建更好的时空嵌入。借助全局语义特征，DouFu 为每条轨迹生成一个全面的嵌入。我们在分类和聚类任务上评估了我们的方法和其他基线模型生成的表示。实证结果表明，DouFu 在大多数学习算法（如线性回归和支持向量机）中优于其他模型，优势超过 10%。