从全语义监督中学习通用且灵活的轨迹模型

移动设备和数据收集技术的广泛采用导致轨迹数据呈指数增长，给时空数据挖掘带来了重大挑战，尤其是高效且准确的轨迹检索。然而，现有的轨迹检索方法存在显著局限性，包括大规模数据效率低下、不支持条件查询以及依赖轨迹相似度度量。为应对上述挑战，我们提出了 OmniTraj，一个通用且灵活的全语义轨迹检索框架，将四种互补的模态或语义——原始轨迹、拓扑结构、道路段和区域——整合到一个统一系统中。与传统方法仅将轨迹作为单一模态进行计算和处理不同，OmniTraj 为每种模态设计了专用的编码器，这些编码器被嵌入并融合到共享的表示空间中。这一设计使 OmniTraj 能够基于任意单一模态或其组合进行准确且灵活的查询，克服了传统相似度方法的刚性。在两个真实数据集上的大量实验证明了 OmniTraj 在处理大规模数据、提供灵活的多模态查询以及支持下游任务和应用方面的有效性。