基于区域-点联合表示的轨迹相似性学习
计算机视觉与模式识别
2025-11-18 v1 信息检索
机器学习
摘要
近期基于学习的方法已降低了传统轨迹相似性计算的计算复杂度，但最先进（SOTA）方法仍未充分利用轨迹信息的全面谱系进行相似性建模。为此，我们提出了一种新方法RePo（Region-Point），联合编码区域级和点级特征，以捕捉空间语境和细粒度运动模式。对于区域级表示，首先将 GPS 轨迹映射到网格序列，通过结构特征捕获空间语境，并通过视觉特征丰富语义语境。对于点级表示，三个轻量级专家网络从密集 GPS 序列中提取局部、相关和连续运动模式。随后，路由网络自适应地融合所学到的点级特征，这些特征随后通过跨注意力与区域级特征合并，以产生最终的轨迹嵌入。为训练RePo，我们采用带有硬负样本的对比损失，以提供相似性排序监督。实验结果表明，RePo在所有评估指标上均比SOTA基线提高了22.2%的平均准确率。
引用
@article{arxiv.2511.13125,
title = {Region-Point Joint Representation for Effective Trajectory Similarity Learning},
author = {Hao Long and Silin Zhou and Lisi Chen and Shuo Shang},
journal= {arXiv preprint arXiv:2511.13125},
year = {2025}
}
备注
This paper is accepted by AAAI2026