HiT-JEPA：面向相似性计算的分层自监督轨迹嵌入框架
机器学习
2025-07-02 v1 人工智能
计算机视觉与模式识别
摘要
城市轨迹数据的表示形式在有效分析空间移动模式方面发挥着关键作用。尽管已有 considerable progress，但仍未解决如何设计能够捕获多样化和互补信息的轨迹表示的问题。现有方法在单一模型中难以融合轨迹的细粒度细节与高层次摘要，限制了其在保持局部细微差别的同时关注长期依赖的能力。为此，我们提出了 HiT-JEPA（Hierarchical Interactions of Trajectory Semantics via a Joint Embedding Predictive Architecture），即一个用于学习跨语义抽象层级多尺度城市轨迹表示的统一框架。HiT-JEPA 采用三层层级结构，依次捕获点级细粒度细节、中间层模式以及高层次轨迹抽象，使模型能够在单一连贯结构中整合局部动态与全局语义。针对多个真实世界数据集上的轨迹相似性计算进行大量实验表明，HiT-JEPA 的层级设计生成了更丰富的多尺度表示。代码已公开：https://anonymous.4open.science/r/HiT-JEPA。
引用
@article{arxiv.2507.00028,
title = {HiT-JEPA: A Hierarchical Self-supervised Trajectory Embedding Framework for Similarity Computation},
author = {Lihuan Li and Hao Xue and Shuang Ao and Yang Song and Flora Salim},
journal= {arXiv preprint arXiv:2507.00028},
year = {2025}
}