.png){kind=icon}
返回
A survey on trajectory representation learning methods
.png){kind=icon}
PRE
AI
DOI：10.1007/s11704-025-41033-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着全球定位系统（GPS）、全球移动通信系统（GSM）的快速发展和移动设备的广泛应用，产生了大量的轨迹数据。当前轨迹数据处理方法通常需要固定长度的向量作为输入，因此将变长轨迹数据转换为固定长度、低维度的嵌入向量至关重要。轨迹表示学习旨在将轨迹数据转化为更具表达力和可解释性的表示。本文全面综述了轨迹表示学习的研究进展、方法和应用。首先，它对轨迹表示学习的关键技术进行分类和介绍，并总结了现有的公开轨迹数据集。然后，基于不同的下游任务对轨迹表示学习方法进行分类，重点阐述其在轨迹相似度计算、相似轨迹搜索、轨迹聚类和轨迹预测等方面的原理、优势、局限性及应用场景。此外，分析了各任务中代表性模型的结构和原理，以及不同方法在各任务中的特点与优势。最后，分析了当前轨迹表示学习方法面临的挑战，包括数据稀疏性、多模态性、模型优化和隐私保护等问题，并探讨了应对这些挑战的潜在研究方向和方法。
Keyword:
trajectory representation learning
trajectory data mining
trajectory similarity computation
similar trajectory search
trajectory clustering
trajectory prediction
期刊
IF:
4.6
论文数:
1.6K
被引数:
2.8K
机构
引用论文
暂无论文信息