RED：高效轨迹表示学习方法，充分利用综合信息

轨迹表示学习（TRL）将轨迹映射为可用于各种下游任务的向量，包括轨迹相似性计算、轨迹分类和旅行时间估计。然而，现有TRL方法常产生用于下游任务时结果不够准确的向量。其关键原因是未能充分利用轨迹所包含的综合信息。我们提出一种自监督TRL框架，称为RED，有效利用多种轨迹信息。总体而言，RED采用Transformer作为骨干模型，并对轨迹中的构成路径进行遮蔽，以训练掩码自编码器（MAE）。具体而言，RED通过采用基于道路的遮蔽策略，保留轨迹的关键路径，从而保留轨迹的关键信息。RED还采用空间-时间-用户联合嵌入方案，对轨迹作为模型输入进行编码。为进行训练，RED采用双目标任务学习：Transformer编码器预测轨迹的下一个片段，Transformer解码器重建整个轨迹。RED还通过修改Transformer的注意力机制，考虑轨迹的空间-时间相关性。我们在3个真实数据集上对4个下游任务比较了9种最新的TRL方法，发现RED通常可使最佳基线方法的准确率提高超过5%。