基于Transformer与地理轨迹嵌入的TransGTE模型：出租车行程终点预测新方法

为解决GPS轨迹数据稀疏性及地理信息利用不足的问题，研究人员提出TransGTE模型，结合GCN和Transformer提取地理与序列特征，通过动态门控机制自适应融合信息。实验表明其在四个城市数据集上平均误差降低2.87%-5.91%，为智能交通系统提供新思路。

　　

在城市交通智能化浪潮中，GPS轨迹数据的利用始终面临三大挑战：数据稀疏性、序列模式复杂性以及地理关联性难以量化。传统方法如网格离散化和LSTM虽部分缓解了稀疏性问题，却无法有效捕捉轨迹间的动态地理关系。例如，两条地理邻近的轨迹在网格化后可能被编码为完全不同的序列，导致预测偏差。更棘手的是，盲目依赖地理相似性可能误导模型——比如学校区域与住宅区相邻，但行程终点却因场景不同而差异显著。

针对这一难题，国内研究团队开发了TransGTE模型，创新性地将地理信息与序列模式动态融合。该研究发表在《Expert Systems with Applications》，通过四个国际城市数据集验证，模型平均预测精度超越现有最佳方法2.87%-5.91%。其核心突破在于：首创GCN提取轨迹邻域地理特征，结合Transformer捕捉长程序列依赖，再通过自适应神经融合门（ANFG）实现情境感知的特征加权。这种架构既解决了传统网格嵌入丢失空间拓扑的问题，又避免了静态融合导致的场景误判。

关键技术方法包括：1）构建轨迹位置向量（TLV）量化网格访问频率；2）采用2层GCN捕获2跳范围内的地理关联；3）设计分块Transformer处理轨迹首尾差异特征；4）基于门控机制动态平衡序列与地理特征权重。实验使用Porto、Chengdu等真实出租车GPS数据，以Haversine距离为评估指标。

3.1 问题定义
通过将城市划分为k×k网格网络，定义轨迹为网格序列，并构建包含角点、边缘等拓扑关系的图结构。TLV将轨迹映射为网格访问频次的向量，为后续特征提取奠定基础。

3.4 地理嵌入
GCN通过邻接矩阵聚合轨迹周边网格信息，2层结构可覆盖2跳范围的地理关联。相比CNN和全连接网络，GCN在捕捉局部空间模式上表现最优，误差降低12.6%。

3.6 自适应融合
ANFG通过门控系数γ_i动态调节地理特征权重。实验显示，当轨迹经过学校等场景敏感区域时，γ_i自动下调至0.3以下，避免地理相似性干扰；而在高速公路等路径明确区域，γ_i提升至0.7以上。

4.5 性能对比
在Porto数据集上，TransGTE的终点预测误差（218米）显著优于MHSA（231米）等基准模型。案例研究显示，对于起点相距2网格的轨迹，模型仍能保持97.17%的相似性判断准确率，而传统Transformer仅44.97%。

这项研究的意义在于：首次实现轨迹地理与序列特征的动态协同建模，其网格网络构建方法可扩展至其他时空预测任务。ANFG机制为多源特征融合提供了新范式，而轻量化的GCN设计（仅4个隐藏单元）证明高效特征提取不一定依赖复杂架构。未来，整合实时交通事件等动态信息有望进一步提升预测精度，为共享出行和智慧城市调度提供更精准的决策支持。