LightTR：面向联邦轨迹恢复的轻量化框架

随着装有 GPS 设备的边缘设备的普及，大量轨迹数据在各个领域得到收集和积累，推动了各种城市应用的兴起。由于边缘设备获取能力有限，大量轨迹以低采样率记录，这可能导致城市应用的效果下降。我们旨在基于低采样率的轨迹在自由空间（即不依赖于道路网络信息）中恢复高采样率的轨迹，以增强轨迹数据的可用性并更有效地支持城市应用。近期针对轨迹恢复的研究方法往往假设轨迹在中心位置可用，这些方法无法处理分散的轨迹并会损害隐私。为弥合分散式训练与轨迹恢复之间的差距，我们提出了一种轻量化框架 LightTR，用于基于客户端-服务器架构的联邦轨迹恢复，同时保持每个客户端/平台中心（例如各公司数据中心）中数据的去中心化和私有性。具体而言，考虑到边缘设备的有限处理能力，LightTR 包含一个轻量级本地轨迹嵌入模块，在不损失特征提取能力的前提下提高了计算效率。LightTR 还 features 一种基于元知识增强的本地-全局训练方案，以减少服务器与客户端之间的通信成本，从而进一步提高效率。大量实验表明，所提出的框架在有效性和效率方面均表现出色。