原条件轨迹编码：通过神经分解衡量城市配置不对称性
机器学习
2025-12-04 v1
摘要
城市分析日益依赖于基于 AI 的轨迹分析，但现有方法仍存在方法论碎片化问题：轨迹学习捕捉运动模式，却忽略了空间背景；而空间嵌入方法则编码街道网络，却错失了时序动态。三个关键缺口仍待解决：（1）缺乏联合训练方法，无法整合空间与时序表征；（2）来源无关化处理，忽略了导航中方向性不对称性（）；（3）过度依赖辅助数据（POI、影像），而非城市空间的基本几何属性。我们引入一种条件轨迹编码器，通过几何特征在保持来源相关不对称性的同时联合学习空间与运动表征。该框架将城市导航分解为共享认知模式与来源特定的空间叙事，从而实现对不同起点认知不对称的量化测量。我们的双向 LSTM 处理以可学习的来源嵌入为条件的可见性比与曲率特征，将表征分解为共享城市模式与来源特定签名，通过对比学习实现。以六个合成城市及北京西城区的真实数据为例的实验表明，城市形态会造成系统性的认知不平等。这为城市规划提供了衡量体验公平性的量化工具，为建筑师提供了布局决策认知影响的洞见，并为导航系统实现来源感知分析提供了可能。
引用
@article{arxiv.2512.03755,
title = {Origin-Conditional Trajectory Encoding: Measuring Urban Configurational Asymmetries through Neural Decomposition},
author = {Stephen Law and Tao Yang and Nanjiang Chen and Xuhui Lin},
journal= {arXiv preprint arXiv:2512.03755},
year = {2025}
}