飞行轨迹的有效且高效的表示学习
人工智能
2024-12-24 v1
摘要
飞行轨迹数据在交通管理领域发挥着重要作用，尤其是对于轨迹预测、飞行识别和异常检测等下游任务。现有方法常利用手工特征并为不同任务设计模型，严重依赖领域知识且难以扩展。我们认为不同的飞行分析任务共享相同的有用轨迹特征，对飞行轨迹进行统一表示学习可能有助于提高各种任务的性能。然而，飞行轨迹表示学习（TRL）面临两个主要挑战：即不平衡的行为密度和 3D 空间连续性，这使最近的通用 TRL 方法难以应用。本文提出了 Flight2Vec，一种针对飞行轨迹的表示学习方法以解决这些挑战。具体而言，我们使用行为自适应分块机制，引导模型关注行为稠密段；此外，我们引入一种运动趋势学习技术，指导模型记住不仅是精确位置，还是运动趋势，以生成更好的表示。广泛的实验结果表明，Flight2Vec 在飞行轨迹预测、飞行识别和异常检测等下游任务上显著提升了性能。
引用
@article{arxiv.2412.16581,
title = {Effective and Efficient Representation Learning for Flight Trajectories},
author = {Shuo Liu and Wenbin Li and Di Yao and Jingping Bi},
journal= {arXiv preprint arXiv:2412.16581},
year = {2024}
}
备注
Accepted by AAAI 2025