.png){kind=icon}
返回
Spatio-temporal meta-learning for trajectory representation learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114141.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
轨迹表示学习将序列转换为便于计算机处理和分析的低维向量。轨迹表示学习被广泛应用于各种智能应用，并以其能够提升应用性能而著称。然而，先前的方法假设轨迹在时间和空间上是独立同分布的。在实践中，由于个体活动的确定性和活动模式的多样性，轨迹在时间和空间来源上表现出显著异质性。这导致生成的表示向量存在偏差，无法有效支持各种地理应用。为解决此问题，本研究提出了一种用于轨迹表示学习的时空元学习方法，即STMetaT，旨在生成准确的轨迹表示向量。STMetaT设计了一个时空约束采样模块，根据轨迹的频率和密度将轨迹集合划分为子集，从而构建具有多样时空语义的训练任务样本。此外，STMetaT采用多视图局部编码器，通过融合轨迹语义的多样性，为每个子集生成表示向量。最后，STMetaT学习从局部到全局可推广性的泛化过程，以优化轨迹表示向量。在两个城市轨迹数据集上的大量实验表明，STMetaT在三个经典评估任务中优于基线方法，从而提升了轨迹表示的性能。所提出的方法提供了一种结合元学习进行轨迹表示学习的途径，同时也为各种智能应用提供了方法论参考。
Keyword:
trajectory representation learning
spatio-temporal meta-learning
heterogeneous trajectories
multi-view local encoder
geographic applications
