面向旅行时间估计的多模态轨迹表示学习
机器学习
2026-01-27 v2
摘要
准确的旅行时间估计（TTE）在智能交通系统中发挥着关键作用。然而，这一问题因异构数据源和复杂的交通动态而具有挑战性。此外，传统方法通常将轨迹数据转换为固定长度的表示，忽略了真实世界运动模式的内在变异性，常导致信息损失和冗余。为此，本文引入Multimodal Dynamic Trajectory Integration（MDTI）框架——一种新型的多模态轨迹表示学习方法，将GPS序列、网格轨迹和道路网络约束整合以提升TTE性能。MDTI采用模态特定编码器和多模态融合模块以捕获互补的空间、时间和拓扑语义，同时采用动态轨迹建模机制自适应地调节不同长度轨迹的信息密度。两个自监督预训练目标，即对比对齐和掩码语言模型，进一步加强了多模态一致性和上下文理解。广泛的实验在三个真实世界数据集上表明，MDTI持续地超过了当前最先进的基线方法，确认了其鲁棒性和强大的泛化能力。代码已公开available at: https://github.com/City-Computing/MDTI。
引用
@article{arxiv.2510.05840,
title = {Multimodal Trajectory Representation Learning for Travel Time Estimation},
author = {Zhi Liu and Xuyuan Hu and Xiao Han and Zhehao Dai and Zhaolin Deng and Guojiang Shen and Xiangjie Kong},
journal= {arXiv preprint arXiv:2510.05840},
year = {2026}
}