基于最大多视图熵编码的通用轨迹嵌入预训练

时空轨迹提供了关于移动与出行行为的宝贵信息，支撑各类下游任务并进而赋能现实应用。学习轨迹嵌入可提升任务表现，但可能带来高计算成本并面临训练数据有限的困境。预训练通过专门构建的代理任务从未标注数据中学习通用嵌入。现有预训练方法面临（i）因代理任务导致对特定下游任务偏置而难以学习通用嵌入，（ii）在捕捉出行语义与时空相关性上的局限，以及（iii）长且不规律采样轨迹的复杂性。为应对这些挑战，我们提出最大多视图轨迹熵编码（MMTEC）以学习通用且全面的轨迹嵌入。我们引入一种代理任务，减少预训练轨迹嵌入中的偏置，得到对广泛下游任务有用的嵌入。我们还提出基于注意力的离散编码器与基于 NeuralCDE 的连续编码器，分别从轨迹中提取并表征出行行为与连续时空相关性于嵌入中。在 two 个真实数据集与 three 个下游任务上的大量实验揭示了我们方案的设计特性，并表明其能够超越现有轨迹嵌入方法。