基于路网与网格时空动态的轨迹表示学习

轨迹表示学习是智能城市和城市规划等领域的基础任务，通过学习从高维原始轨迹数据中提取的低维表示，来促进轨迹数据的利用（例如车辆运动），以适用于各种下游应用，如轨迹相似性计算或旅行时间估计。然而，现有的轨迹表示学习方法要么依赖基于网格的表示，要么依赖基于路网的表示，这些表示本质上是不同的，可能丢失包含在另一模态中的信息。此外，这些方法忽略了城市交通的动态特性，依赖于静态道路网络特征而非随时间变化的交通模式。本文提出TIGR（Trajectory Representation Learning on road Networks and Grids with Spatio-Temporal Dynamics），一种新型模型，用于整合网格和路网模态，并纳入时空动态，以学习轨迹的丰富、通用的表示。我们在两个真实数据集上评估TIGR，证明了同时整合两种模态的有效性，显著优于当前最先进的方法：轨迹相似性提升最高可达43.22%，旅行时间估计提升最高可达16.65%，目的地预测提升最高可达10.16%。