TrajLM：用于稀疏道路网络中统一轨迹学习的可迁移移动模式提取技术

《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》：TrajLM: Transferable Mobility Pattern Distillation for Unified Trajectory Learning in Sparse Road Networks

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

时空轨迹数据挖掘在理解和预测物体在空间和时间上的运动方面起着关键作用，它影响着诸如城市交通优化、人类活动分析以及自动驾驶车辆导航等重要的基于位置的应用。尽管传统方法能够有效捕捉局部轨迹模式，但由于其难以融入全局上下文语义，因此在准确表示各种交通场景方面存在不足。近年来，大型语言模型在从大量数据中捕捉语义关系方面展现出潜力；然而，由于地理覆盖不均，这些模型在处理只有少量轨迹经过的稀疏区域时，难以充分发挥其强大的语义学习能力。为弥补这一缺陷，我们提出了TrajLM，这是一种新型模型，可通过大型语言模型提炼稀疏道路网络中的可迁移移动模式，从而实现统一的轨迹表示。我们的方法促进了密集轨迹区域与稀疏轨迹区域之间的深入协作，通过相互知识蒸馏来应对稀疏性问题并提升语义表示能力。此外，通过纳入时空动态因素，我们的模型使大型语言模型能够学习随时间变化的运动表示，进而提高对移动性的理解能力。大量实验表明，我们的模型在三项下游任务中的表现显著优于现有的最先进模型，平均提升了29.51%。实现细节和代码可在https://anonymous.4open.science/r/TrajLM-6343获取。

AI总结

AI生成的总结（实验性）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及帮助来自相关研究领域的读者理解该文章。它的作用是补充作者提供的摘要，而作者提供的摘要仍是文章的主要总结内容。完整文章才是具有权威性的版本。点击此处了解更多。

点击此处，可以对这个总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。