网格与道路表达式在轨迹表示学习中的互补性

轨迹表示学习 (TRL) 将轨迹映射到可用于多种下游任务的向量。现有 TRL 方法要么使用网格轨迹（捕捉自由空间中的运动），要么使用道路轨迹（捕捉道路网络中的运动）。我们观察到这两种轨迹类型是互补的：一种提供区域和位置信息，另一种提供道路结构和运动规律性。因此，我们提出一种新型多模态 TRL 方法，称为 GREEN，用以有效利用网格与道路轨迹表达式。具体地，我们将原始 GPS 轨迹转换为网格轨迹和道路轨迹，并为各自的信息捕获设计两个编码器。为使两个编码器互补，我们采用对比损失鼓励它们为同一原始轨迹生成相似的嵌入，并设计遮蔽语言模型 (MLM) 损失以网格轨迹帮助重建被遮蔽的道路轨迹。为学习最终的轨迹表示，我们使用双模态交互器通过跨注意力融合两个编码器的输出。我们将 GREEN 与 7 种最先进的 TRL 方法进行比较，应用于 3 个下游任务，结果显示 GREEN 在所有基线任务中均表现出色，使最佳基线准确率提升平均 15.99%。