.png){kind=icon}
返回
RED: Effective Trajectory Representation Learning with Comprehensive Information
.png){kind=icon}
PRE
AI
DOI：10.14778/3705829.3705830.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
轨迹表示学习（TRL）将轨迹映射为向量，这些向量可用于各种下游任务，包括轨迹相似度计算、轨迹分类和旅行时间估计。然而，现有的TRL方法通常产生的向量在下游任务中会带来精度不足的结果。一个关键原因是它们未能利用轨迹所包含的全面信息。我们提出了一种自监督TRL框架，称为RED，它有效地利用了多种类型的轨迹信息。总体而言，RED采用Transformer作为骨干模型，并通过掩码轨迹中的构成路径来训练掩码自动编码器（MAE）。具体而言，RED通过采用一种道路感知掩码策略来考虑轨迹的运动模式，该策略在掩码过程中保留轨迹的关键路径，从而保留了轨迹的关键信息。RED还采用了一种时空-用户联合嵌入方案，在将轨迹作为模型输入准备时编码全面信息。为了进行训练，RED采用双目标任务学习：Transformer编码器预测轨迹的下一节段，而Transformer解码器重建整个轨迹。RED还通过修改Transformer的注意力机制来考虑轨迹的时空相关性。我们将RED与9种最先进的TRL方法在3个真实世界数据集的4个下游任务上进行比较，发现RED通常能将最佳基线的精度提高超过5%。
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel Semantics
OAAI
OAAI分享收藏分享收藏分享收藏BERT-Trip: Effective and Scalable Trip Representation using Attentive Contrast LearningBERT-Trip：利用注意力对比学习实现有效且可扩展的行程表示
PREAI
分享收藏
查看更多内容