轨迹数据管理与挖掘：从深度学习到大语言模型时代的综述

轨迹计算是一个涵盖轨迹数据管理与挖掘的关键领域，因其在位置服务、城市交通和公共安全等多种实际应用中的关键作用而受到广泛关注。传统方法侧重于简单的时空特征，面临计算复杂、可扩展性有限以及对现实世界复杂性适应性不足的挑战。在本文中，我们全面回顾了轨迹计算从深度学习到更近期的大语言模型的发展与最新进展。我们首先定义了轨迹数据，并简要概述了广泛使用的深度学习模型。我们系统地探讨了深度学习在轨迹管理（预处理、存储、分析和可视化）和挖掘（轨迹相关预测、轨迹相关推荐、轨迹分类、旅行时间估计、异常检测和移动性生成）中的应用。此外，我们讨论了轨迹计算中大型模型（以基础模型和大语言模型为代表）的新兴研究方向和最新进展，这些有望重塑下一代轨迹计算。此外，我们总结了应用场景、公共数据集和工具包。最后，我们概述了轨迹计算研究中的当前挑战并提出了未来方向。相关论文和开源资源已整理并持续更新于：https://github.com/yoshall/Awesome-Trajectory-Computing。