重新审视用于轨迹相似性学习的卷积神经网络
人工智能
2024-11-06 v2
摘要
相似性搜索是查询轨迹数据中一个基本但昂贵的操作，因为距离计算具有二次复杂度。为了减轻长轨迹的计算负担，神经网络被广泛用于相似性学习，每条轨迹被编码为高维向量，用于线性复杂度的相似性搜索。鉴于轨迹数据的序列性质，以往的工作主要致力于使用RNN或Transformer。在本文中，我们认为将轨迹视为序列数据的常见做法导致过度关注捕获两个序列之间的长期全局依赖关系。相反，我们的研究揭示了局部相似性的关键作用，促使我们重新审视简单的CNN用于轨迹相似性学习。我们引入了ConvTraj，结合1D和2D卷积分别捕获轨迹的序列和地理分布特征。此外，我们进行了一系列理论分析来证明ConvTraj的有效性。在四个真实世界大规模数据集上的实验结果表明，ConvTraj在轨迹相似性搜索中达到了最先进的精度。由于ConvTraj的简单网络结构，在包含160万条轨迹的Porto数据集上，训练和推理速度分别提高了至少240倍和2.16倍。源代码和数据集可在https://github.com/Proudc/ConvTraj找到。
引用
@article{arxiv.2405.19761,
title = {Revisiting CNNs for Trajectory Similarity Learning},
author = {Zhihao Chang and Linzhu Yu and Huan Li and Sai Wu and Gang Chen and Dongxiang Zhang},
journal= {arXiv preprint arXiv:2405.19761},
year = {2024}
}