GPS-MTM：利用自监督学习捕捉GPS轨迹中的常态模式
机器学习
2025-10-09 v2 人工智能
计算机视觉与模式识别
多智能体系统
摘要
基础模型已在文本、视觉和视频理解领域取得了显著进展，现在正准备在轨迹建模方面实现类似的突破。我们提出了GPS掩码轨迹Transformer（GPS-MTM），一个用于大规模移动数据的基础模型，能够捕捉人类运动中的常态模式。与先前将轨迹展平为坐标流的方法不同，GPS-MTM将移动性分解为两种互补的模态：状态（兴趣点类别）和动作（智能体转换）。利用双向Transformer和自监督掩码建模目标，该模型跨模态重建缺失片段，使其能够在无需人工标注的情况下学习丰富的语义关联。在包括Numosim-LA、Urban Anomalies和Geolife在内的基准数据集上，GPS-MTM在轨迹填充和下一站点预测等下游任务上持续表现出色。其优势在动态任务（逆向和正向动力学）中尤为突出，在这些任务中上下文推理至关重要。这些结果确立了GPS-MTM作为轨迹分析的鲁棒基础模型的地位，将移动数据定位为大规模表示学习的一等模态。代码已发布以供进一步参考。
引用
@article{arxiv.2509.24031,
title = {GPS-MTM: Capturing Pattern of Normalcy in GPS-Trajectories with self-supervised learning},
author = {Umang Garg and Bowen Zhang and Anantajit Subrahmanya and Chandrakanth Gudavalli and BS Manjunath},
journal= {arXiv preprint arXiv:2509.24031},
year = {2025}
}
备注
4 pages, 2 figures