Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models

doi:10.1109/tkde.2026.3733747

Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models

2026-09-14

0

PRE

AI

DOI：10.1109/tkde.2026.3733747

原文链接

原文求助

摘要

En 中文

多用途密集表示对轨迹数据的建模已成为各种下游应用（如轨迹分类、出行时间估计和相似性计算）的主流范式。然而，现有方法通常依赖单一空间视角的轨迹，限制了其捕捉丰富上下文信息的能力，而这些信息对于深入理解不同地理空间背景下的运动模式至关重要。为此，我们提出MVTraj，一种新颖的多视角轨迹表示学习方法。MVTraj整合了从GPS到道路网络及兴趣点（POI）的多样化上下文知识，以提供对轨迹数据更全面的认知。为对齐多视角的学习过程，我们利用GPS轨迹作为桥梁，并采用自监督预文本任务来捕捉和区分不同空间视角下的运动模式。随后，我们将不同视角的轨迹视为不同模态，并应用层次化跨模态交互模块进行表示融合，从而丰富多源知识。在真实数据集上的大量实验表明，MVTraj在涉及不同空间视角的任务中显著优于现有基线方法，验证了其在时空建模中的有效性和实用性。

Keyword:

Trajectory Representation Learning

Spatio-Temporal Data Mining

Self-Supervised Learning

Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models

摘要

期刊

机构

引用论文