PTrajM: 基于预训练 Trajectory-Mamba 的高效语义丰富轨迹学习
机器学习
2024-08-12 v1
摘要
车辆轨迹为各种现实应用提供了关键的运动信息。为了更好地利用车辆轨迹，有必要开发一种能够有效且高效地提取丰富语义信息（包括运动行为和出行目的）的轨迹学习方法，以支持准确的下游应用。然而，创建这样的方法面临两个重大挑战。首先，运动行为本质上是时空连续的，使其难以从不规则且离散的轨迹点中高效提取。其次，出行目的与车辆途经区域和道路段的功能相关。这些功能无法从原始时空轨迹特征中获取，也难以从与这些区域和道路段相关的复杂文本特征中直接提取。为了解决这些挑战，我们提出了 PTrajM，一种能够实现高效且语义丰富车辆轨迹学习的 novel 方法。为了支持运动行为的高效建模，我们在 PTrajM 中引入了 Trajectory-Mamba 作为可学习模型，在计算效率优于现有结构的同时有效提取连续运动行为。为了促进出行目的的高效提取，我们提出了一种出行目的感知预训练程序，使 PTrajM 能够在嵌入过程中无需额外计算资源即可辨别轨迹的出行目的。在两个真实数据集上的大量实验以及与多种最先进轨迹学习方法的比较证明了 PTrajM 的有效性。代码可在 https://anonymous.4open.science/r/PTrajM-C973 获取。
引用
@article{arxiv.2408.04916,
title = {PTrajM: Efficient and Semantic-rich Trajectory Learning with Pretrained Trajectory-Mamba},
author = {Yan Lin and Yichen Liu and Zeyu Zhou and Haomin Wen and Erwen Zheng and Shengnan Guo and Youfang Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2408.04916},
year = {2024}
}