TrajMamba：一种高效且语义丰富的车辆轨迹预训练模型
机器学习
2025-10-22 v2
摘要
车辆 GPS 轨迹记录了车辆随时间的运动方式，存储了包括运动模式和旅行目的在内的宝贵旅行语义。有效且高效地学习旅行语义对于轨迹数据的实际应用至关重要，但受到两个主要挑战的制约。首先，旅行目的与所涉及道路和景点(POI)的功能相关联，这些信息编码在文字地址和描述中，给建模带来巨大的计算负担。其次，现实中的轨迹常包含冗余点，既损害计算效率，也损害轨迹嵌入质量。为解决这些挑战，我们提出了 TrajMamba，一种用于高效且语义丰富的车辆轨迹学习的新方法。TrajMamba 引入了 Traj-Mamba 编码器，通过联合建模轨迹的 GPS 和道路视角，捕捉运动模式，实现对连续旅行行为的稳健表征。它还集成了基于旅行目的的数据预训练程序，将旅行目的纳入所学嵌入，而无需对嵌入计算增加额外开销。为减少轨迹中的冗余性，TrajMamba 具备知识蒸馏数据预训练方案，通过可学习的掩码生成器识别关键轨迹点，从而获得有效的压缩轨迹嵌入。在两个真实数据集和三个下游任务上的大量实验表明，TrajMamba 在效率和准确性方面均优于最先进的基线方法。
引用
@article{arxiv.2510.17545,
title = {TrajMamba: An Efficient and Semantic-rich Vehicle Trajectory Pre-training Model},
author = {Yichen Liu and Yan Lin and Shengnan Guo and Zeyu Zhou and Youfang Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2510.17545},
year = {2025}
}
备注
Accepted by NeurIPS2025