在具有时空动态特性的网格和道路网络上的轨迹表示学习

《ACM Transactions on Intelligent Systems and Technology》：Trajectory Representation Learning on Grids and Road Networks with Spatio-Temporal Dynamics

轨迹表征学习与多模态融合模型在复杂城市系统中的应用研究。针对城市轨迹数据高维时空特征建模难题，提出TIGR模型有效整合网格与道路网络模态，动态捕捉时空模式，显著提升轨迹相似度（59.34%）、行程时间预测（16.65%）和终点预测（14.81%）等任务性能。

　　

摘要

城市基础模型（Urban Foundation Models, UFMs）作为一种变革性范式，正在逐渐成为理解和管理复杂城市系统的工具，为改善和改造城市环境提供了新的能力。轨迹数据（例如车辆移动轨迹）包含了人类移动性和城市动态的丰富时空模式，这些模式对于理解整个城市的移动行为、交通模式以及交通系统运行至关重要。有效地对这类轨迹数据进行建模对于UFMs来说至关重要，但由于原始轨迹的高维特性及其复杂的时空动态，这一任务面临诸多挑战。轨迹表示学习通过将原始轨迹数据转换为紧凑且有意义的表示形式来应对这些挑战，从而捕捉到关键的移动模式，并便于将其应用于各种城市任务中，如轨迹相似性计算、旅行时间估算或目的地预测。这是通过从高维原始轨迹数据中学习低维表示来实现的。然而，现有的轨迹表示学习方法要么依赖于基于网格的表示，要么依赖于基于道路的表示，这两种方法本质上是不同的，因此可能会丢失其中一种表示方式所包含的信息。此外，这些方法忽略了城市交通的动态特性，仅依赖于静态的道路网络特征而非随时间变化的交通模式。在本文中，我们提出了这一新型模型，该模型旨在整合网格和道路网络两种表示方式，并结合时空动态来学习轨迹的丰富通用表示。我们在三个真实世界数据集上对进行了评估，证明了结合这两种表示方式的有效性：在轨迹相似性方面，其性能超过了现有最佳方法高达59.34%；在旅行时间估算方面，提高了16.65%；在目的地预测方面，提高了14.81%。