Efflex：用于时空轨迹图建模与表示学习的高效灵活流水线
机器学习
2024-04-22 v1
摘要
在时空数据分析领域，有效的轨迹表示学习至关重要。为了弥合以高效灵活机制学习准确表示的差距，我们引入了 Efflex，这是一个用于海量时空轨迹的变革性图建模与表示学习的综合流水线。Efflex 率先将多尺度 k 近邻（KNN）算法与特征融合相结合用于图构建，通过保留基本数据特征，标志着降维技术的飞跃。此外，突破性的图构建机制和高性能轻量级 GCN 将嵌入提取速度提高了多达 36 倍。我们进一步提供了两个版本的 Efflex：用于高精度场景的 Efflex-L，以及用于需要快速数据处理环境的 Efflex-B。使用 Porto 和 Geolife 数据集进行的全面实验验证了我们的方法，确立了 Efflex 在该领域的 SOTA 地位。这种在速度和准确性上的提升突显了 Efflex 的多功能性，强调了其在时间敏感和计算受限应用中部署的广泛潜力。
引用
@article{arxiv.2404.12400,
title = {Efflex: Efficient and Flexible Pipeline for Spatio-Temporal Trajectory Graph Modeling and Representation Learning},
author = {Ming Cheng and Ziyi Zhou and Bowen Zhang and Ziyu Wang and Jiaqi Gan and Ziang Ren and Weiqi Feng and Yi Lyu and Hefan Zhang and Xingjian Diao},
journal= {arXiv preprint arXiv:2404.12400},
year = {2024}
}