TransferTraj：面向区域与任务可迁移性的车辆轨迹学习模型
机器学习
2025-05-20 v1
摘要
车辆 GPS 轨迹提供了支撑多种下游任务和应用的移动信息。理想的轨迹学习模型应能够在不重新训练的情况下实现跨区域和跨任务的迁移，避免维护多个专用模型且在训练数据有限时表现不佳。然而，每个区域都有其独特的空间特征和语境，这体现在车辆运动模式中，难以普遍化。此外，跨不同任务的迁移面临技术挑战，因各任务所需的输入输出结构各不相同。现有方法主要通过学习轨迹的嵌入向量实现可迁移性，但在区域迁移和任务迁移方面表现不佳，且需要重新训练预测模块。为此，本文提出 TransferTraj，一种在区域和任务可迁移性方面表现突出的车辆 GPS 轨迹学习模型。针对区域可迁移性，TransferTraj 引入 RTTE 作为主要可学习模块，整合轨迹的空间、时间、POI 和道路网络模态，有效管理跨区域空间语境分布的差异。同时引入 TRIE 模块以纳入空间特征的相对信息，以及空间语境混合专家（MoE）模块以处理多样语境下的运动模式。针对任务可迁移性，本文提出一种任务可迁移的输入输出方案，将不同任务的输入输出结构统一为模态和轨迹点的掩码与恢复。该方法使 TransferTraj 可一次性预训练后迁移至不同任务，无需重新训练。在三个真实车辆轨迹数据集上进行任务迁移、零样本和少样本区域迁移的大量实验，验证了 TransferTraj 的有效性。
引用
@article{arxiv.2505.12672,
title = {TransferTraj: A Vehicle Trajectory Learning Model for Region and Task Transferability},
author = {Tonglong Wei and Yan Lin and Zeyu Zhou and Haomin Wen and Jilin Hu and Shengnan Guo and Youfang Lin and Gao Cong and Huaiyu Wan},
journal= {arXiv preprint arXiv:2505.12672},
year = {2025}
}