MovSemCL: 基于运动语义对比学习的轨迹相似性计算（扩展论文）
计算机视觉与模式识别
2025-12-18 v2 人工智能
数据库
摘要
轨迹相似性计算是用于聚类、预测和异常检测等的基本功能。然而，现有的基于学习的方法存在三个关键局限性：(1) 不足以建模轨迹语义和层次结构，缺乏运动动态提取和多尺度结构表示；(2) 由于基于点的编码，计算成本高；(3) 使用物理上不可靠的增强技术扭曲轨迹语义。为解决这些问题，我们提出了MovSemCL，一种用于轨迹相似性计算的运动语义对比学习框架。MovSemCL首先将原始GPS轨迹转换为运动语义特征，然后将其分割为补丁。接下来，MovSemCL采用 intra- 和 inter-patch 注意力机制对局部和全局轨迹模式进行编码，实现高效的层次表示并降低计算成本。此外，MovSemCL包括一种曲率引导的增强策略，该策略保留有信息片段（如拐弯和交叉口）并掩码冗余片段，生成物理上合理的增强视图。在真实世界数据集上的实验表明，MovSemCL能够超越当前方法，实现相似性搜索任务中接近理想值1的平均排名，并在启发式近似计算中提升最高可达20.3%，同时将推理延迟降低最高可达43.4%。
引用
@article{arxiv.2511.12061,
title = {MovSemCL: Movement-Semantics Contrastive Learning for Trajectory Similarity (Extension)},
author = {Zhichen Lai and Hua Lu and Huan Li and Jialiang Li and Christian S. Jensen},
journal= {arXiv preprint arXiv:2511.12061},
year = {2025}
}
备注
8 pages, 6 figures; accepted by AAAI 2026 as an Oral paper