基于对比课程学习的弱监督时序路径表示学习——扩展版

随着交通数字化的发展，我们见证了越来越多基于路径的智慧城市应用，例如行程时间估计和出行路径排序。时序路径（TP）在路径中纳入了出发时间等时间信息，是实现此类应用的基础。在此背景下，学习同时考虑空间与时间相关性、并可用于不同应用（即下游任务）的通用时序路径表示（TPR）至关重要。现有方法未能实现该目标，因为（i）监督方法在训练时需要大量任务特定标签，因而无法将所得TPR泛化到其他任务；（ii）无监督方法虽能学习通用表示，却忽略了时间维度，导致次优结果。为应对现有方案的局限，我们提出一种弱监督对比（WSC）学习模型。我们首先提出一个时序路径编码器，将时序路径的空间与时间信息编码为TPR。为训练该编码器，我们引入易于且低成本获取、并与不同任务相关的弱标签，例如由出发时间指示的高峰与非高峰时段的时间标签。基于弱标签，我们通过同时考虑空间与时间信息构造有意义的正、负时序路径样本，从而利用对比学习训练编码器，使正样本表示相互靠近、负样本表示相互远离。为更好地引导对比学习，我们提出一种基于课程学习（Curriculum Learning）的学习策略，使学习从易到难地进行。实验研究验证了所提方法的有效性。