-
题名轨迹表示学习方法研究综述
- 1
-
-
作者
孟祥福
孙硕男
张霄雁
冷强奎
方金凤
-
机构
辽宁工程技术大学电子与信息工程学院
-
出处
《计算机科学与探索》
北大核心
2025年第6期1437-1454,共18页
-
基金
国家自然科学基金(61772249)。
-
文摘
全球定位系统(GPS)、全球移动通信系统(GSM)的快速发展以及移动设备的普遍应用,产生了大量的轨迹数据。目前的轨迹数据处理方法通常以定长的向量形式输入到模型,因此如何将变长的轨迹数据转换成定长低维的嵌入向量十分重要。轨迹表示学习旨在将轨迹数据转换为更具表达力和可解释性的表示形式。对轨迹表示学习的研究现状、方法及应用进行了全面综述。分类介绍了轨迹表示学习的关键技术,总结了现有轨迹公开数据集。将轨迹表示学习方法按照不同的下游任务进行分类,重点综述了轨迹表示学习方法在轨迹相似性计算、相似轨迹搜索、轨迹聚类、轨迹预测等领域的原理、优缺点和应用,并分别分析了每一类任务中具有代表性的模型结构和原理,及各类任务中不同方法的特点和优势。分析了当前轨迹表示学习所面临的挑战,探讨了如何解决轨迹表示学习中的数据稀疏性、多模态以及模型优化与隐私保护等问题,并提出了具体的研究思路和方法。
-
关键词
轨迹表示学习
轨迹数据挖掘
轨迹相似性计算
相似轨迹搜索
轨迹聚类
轨迹预测
-
Keywords
trajectory representation learning
trajectory data mining
trajectory similarity computation
similar trajectory search
trajectory clustering
trajectory prediction
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名路网拓扑感知的轨迹表示学习方法
- 2
-
-
作者
陈嘉俊
陈伟
赵雷
-
机构
苏州大学计算机科学与技术学院
-
出处
《计算机科学》
CSCD
北大核心
2023年第11期114-121,共8页
-
基金
国家自然科学基金(61902270)
江苏省高等学校基础科学(自然科学)研究重大项目(19KJA610002)。
-
文摘
现有路网场景下的轨迹表示学习(Trajectory Representation Learning,TRL)方法可分为两类,即基于循环神经网络(RNN)和长短期记忆(LSTM)的序列化模型以及基于自注意力机制的学习模型。尽管已有研究做出了重大贡献,但它们仍然存在以下问题:(1)现有的路网表示学习方法忽略了相邻路段之间的转移概率,不能充分捕获路网的拓扑结构信息;(2)基于自注意力机制的学习模型在短轨迹和中长轨迹上的表现优于序列化模型,但在长轨迹的表示学习上性能较差,未能很好刻画轨迹的长期语义特征。基于此,文中提出了一个新的轨迹表示学习模型TRMS。该模型采用概率感知游走来优化传统DeepWalk算法,以深入挖掘路网的拓扑结构,然后将自注意力机制和Masked Seq2Seq学习框架相结合来捕获轨迹的长期语义特征。最后,基于真实轨迹数据进行实验,结果表明,TRMS在短、中、长轨迹的嵌入表示上,性能都优于最好的基线方法。
-
关键词
路网
拓扑结构
轨迹表示学习
序列化模型
自注意力机制
-
Keywords
Road-network
Topological structure
Trajectory representation learning
Sequence model
Self-attention mechanism
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
