T-JEPA：一种用于轨迹相似度计算的联合嵌入预测架构
机器学习
2024-06-21 v1 人工智能
摘要
轨迹相似度计算是分析空间数据移动模式的关键技术，广泛应用于交通管理、野生动物追踪和基于位置的服务等领域。现代方法通常应用深度学习技术来近似启发式度量，但难以从大量未标记的轨迹数据中学习更鲁棒和泛化的表示。近期研究聚焦于自监督学习方法，如对比学习，这些方法在轨迹表示学习方面取得了显著进展。然而，基于对比学习的方法严重依赖人工预定义的数据增强方案，限制了生成轨迹的多样性，并导致模型仅学习二维欧氏空间中的这些变化，从而无法捕捉高层语义变化。为解决这些局限性，我们提出了T-JEPA，一种采用联合嵌入预测架构（JEPA）的自监督轨迹相似度计算方法，以增强轨迹表示学习。T-JEPA在表示空间中对轨迹信息进行采样和预测，使模型能够在高层语义层面推断轨迹的缺失部分，而无需依赖领域知识或人工操作。在三个城市轨迹数据集和两个Foursquare数据集上进行的大量实验证明了T-JEPA在轨迹相似度计算中的有效性。
引用
@article{arxiv.2406.12913,
title = {T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation},
author = {Lihuan Li and Hao Xue and Yang Song and Flora Salim},
journal= {arXiv preprint arXiv:2406.12913},
year = {2024}
}