基于时序感知 Transformer 的轨迹恢复空间-时间动力学学习

在实际应用中，GPS 轨迹常因采样率低而受到影响，导致连续 GPS 点之间存在较大的且不规则的间隔。这种稀疏特征为其在 GPS 基于系统中的直接使用带来挑战。本文解决地图受约束的轨迹恢复任务，旨在提高 GPS 轨迹的采样率。以往的研究通常采用序列到序列框架，其中编码器捕获轨迹模式，解码器重建目标轨迹。在该框架内，有效表示道路网络和提取相关轨迹特征对于整体性能至关重要。尽管已取得进展，但这些模型未能充分利用轨迹和道路网络中存在的复杂时空动力学。为克服这些限制，我们将轨迹数据的时空动力学分为两个 distinct aspect：空间-时间交通动力学和轨迹动力学。进一步地，我们提出了 TedTrajRec，这是一种新的轨迹恢复方法。为了捕获时空交通动力学，我们引入了 PD-GNN，对每个路段进行周期模式建模并学习拓扑感知动力学。对于时空轨迹动力学，我们提出了 TedFormer，这是一种时序感知 Transformer，通过将闭形式神经常微分方程整合到注意力机制中，为每个 GPS 位置包含时间动力学。这使 TedFormer 能够有效处理不规则采样的数据。在三个真实数据集上的大量实验表明，TedTrajRec 的性能卓越。代码已公开 disponible at https://github.com/ysygMhdxw/TEDTrajRec/。