个体轨迹的联合时空表示学习
机器学习
2025-05-13 v3
摘要
个体轨迹富含跨空间和时间的人-环境交互信息，是地理空间基础模型（GeoFMs）的重要输入。然而，现有的轨迹表示学习方法忽略了轨迹内隐含的时空依赖关系，未能以深度学习友好的格式编码这种依赖关系。这给获取通用轨迹表示带来了挑战。因此，本文提出了一种时空联合表示学习方法（ST-GraphRL），将可学习的时空依赖关系形式化为轨迹表示。所提出的ST-GraphRL由三个部分组成：（i）一个加权有向时空图，用于显式构建空间和时间维度上的移动交互；（ii）一个两阶段联合编码器（即解耦与融合），通过独立分解和联合聚合空间与时间信息来学习纠缠的时空依赖关系；（iii）一个解码器，通过模拟轨迹的时空分布来引导ST-GraphRL学习显式的移动规律。在三个真实世界的人类移动数据集上测试，所提出的ST-GraphRL在预测移动时空分布和保持具有高时空相关性的轨迹相似性方面优于所有基线模型。对潜在空间中呈现的时空特征进行分析，验证了ST-GraphRL能够理解时空模式。本研究也有助于其他地理空间数据的表示学习，以实现通用数据表示并推动GeoFMs的发展。
引用
@article{arxiv.2312.04055,
title = {Jointly spatial-temporal representation learning for individual trajectories},
author = {Fei Huang and Jianrong Lv and Yang Yue},
journal= {arXiv preprint arXiv:2312.04055},
year = {2025}
}
备注
27 pages, 3 tables, 7 figures