通过全局空间依赖和局部多因素语义的轨迹恢复

《ISPRS International Journal of Geo-Information》：Trajectory Recovery via Global Spatial Dependencies and Local Multi-Factor Semantics

　　

轨迹数据可能因环境和设备限制而缺失位置，从而影响下游任务的性能。轨迹恢复旨在通过重建高质量轨迹来增强移动数据的效用。然而，现有方法面临两个显著局限。首先，大多数现有方法依赖于个体历史轨迹，难以利用群体范围内的全局空间依赖（Global Spatial Dependencies）。其次，当前方法忽略了局部多因素语义（Local Multi-Factor Semantics）在个性化轨迹恢复中的作用。为应对上述挑战，研究人员提出了一种名为GLTrajRec的联合轨迹恢复方法，该方法整合了全局空间依赖和局部多因素语义。具体而言，研究人员提出了全局轨迹流图建模（Global Trajectory Flow Graph Modeling），以从所有用户的轨迹中捕捉共享的移动模式，即使在个体历史数据不足时也能提供有效的空间转移约束。然后，研究人员设计了多因素局部语义嵌入（Multi-Factor Local Semantics Embedding），从多个方面全面编码多维个性化移动信息，从而实现更准确的个性化恢复结果。此外，研究人员开发了一个基于Transformer的编码器-解码器框架，以双向编码嵌入的全局依赖和局部语义，并解码多类信息。最后，研究人员基于全局轨迹流图构建了一个转移矩阵（Transition Matrix），以提高恢复输出的准确性。在两个真实数据集上进行的大量实验表明，所提方法实现了平均精度均值（Mean Average Precision, MAP）分别为0.7181和0.7345，相较于传统轨迹恢复方法提升了约5%至7%。

**研究背景、问题与意义**
基于位置服务的广泛应用产生了大规模人类移动数据，这些数据在城市规划、交通管理、污染诊断、旅行推荐和公共安全等任务中至关重要。然而，实际应用中，恶劣气象条件、硬件故障、手动关闭定位服务、网络不稳定或电磁干扰等因素常导致数据采集不连续、不完整。缺失轨迹会降低下游任务（如轨迹聚类、轨迹索引和轨迹分类）的性能。现有轨迹恢复方法主要面临两大挑战：一是大多数方法依赖个体历史轨迹，难以利用整个人群范围内的全局空间依赖；二是现有方法忽略局部多因素语义在个性化轨迹恢复中的作用。例如，用户偶尔出现在医院，但其历史轨迹中无此地点，仅靠个体轨迹无法恢复，而通过全局人群轨迹流可推断。此外，用户的移动模式受时间周期性、区域访问频率和地点类别等多因素影响，现有方法未能充分建模这些个性化语义。因此，研究人员提出整合全局空间依赖和局部多因素语义的轨迹恢复框架GLTrajRec，以提升稀疏轨迹的恢复精度和鲁棒性。该论文发表在《ISPRS International Journal of Geo-Information》上。

**主要关键技术与方法**
研究人员采用以下关键方法：
1. 全局轨迹流图建模（Global Trajectory Flow Graph Modeling）：基于所有训练轨迹构建有向加权图，节点代表区域ID，边权重为转移频次；利用门控图神经网络（Gated Graph Neural Network, GGNN）通过门控循环单元（GRU）的消息传递机制更新节点状态，生成全局轨迹点嵌入，捕捉人群级空间转移模式。
2. 多因素局部语义嵌入（Multi-Factor Local Semantics Embedding）：
- 位置-用户-区域嵌入融合：结合轨迹点嵌入、用户嵌入（通过嵌入层映射）和用户-区域访问频率嵌入（经L2归一化），通过全连接层融合，反映个体空间偏好与活动区域集中度。
- 时间-周-类别嵌入融合：将一天划分为48个时隙，一周7天映射为离散整数，采用time2vector和week2vector编码周期性，再与类别嵌入融合，捕捉时间、星期与地点类别的关联。
3. 轨迹恢复模块：采用Transformer双向编码器捕捉缺失位置前后的上下文依赖，并用多层感知机（MLP）解码器分别预测缺失位置、时间和类别；额外设计基于全局轨迹流图的转移注意力矩阵（Transition Attention Matrix），通过广播加法和拉普拉斯结构先验显式建模转移概率，校正解码输出。
4. 加权多任务损失：对缺失位置赋予更高权重，同时监督非缺失位置，综合位置交叉熵、时间均方误差和类别交叉熵进行训练。
样本数据来源：Foursquare-NYC（纽约，1075用户）和Foursquare-TKY（东京，2293用户）两个真实位置服务数据集，时间跨度为2012年4月至2013年2月。

**研究结果**
**性能评估（Performance Evaluation）**：在50%缺失率下，GLTrajRec在纽约和东京数据集上均优于所有基线方法（Top、History、Linear、LSTM、GRU、Transformer、AttnMove）。Recall@1、F1-score和MAP分别达到0.5041/0.5081、0.6346/0.6425和0.7181/0.7345，相比最优基线AttnMove提升约5%至15%。这证明了全局空间依赖和局部多因素语义建模的有效性，且在数据规模更大的东京数据集上提升更显著，归因于更丰富的群体移动数据和语义信息。
**鲁棒性分析（Robustness Analysis）**：在30%至70%不同缺失率下，所有方法性能均随缺失率升高而下降，但GLTrajRec的下降幅度最小。在70%极端稀疏情况下，Recall@1仍达0.4017（纽约）和0.4206（东京），显著优于其他基线。鲁棒性源于全局轨迹流图提供稳定的人群转移先验，以及双向Transformer和局部语义特征对有限上下文的有效利用。
**消融分析（Ablation Analysis）**：在纽约数据集上，移除全局轨迹流图后Recall@1下降15.97%，MAP下降7.41%；移除转移注意力矩阵后Recall@1下降10.99%；将GGNN替换为普通GNN后MAP下降4.94%；将Transformer替换为LSTM后性能下降；移除加权损失（仅监督缺失位置）后Recall@1从0.5041降至0.4412，MAP从0.7181降至0.6751；移除时间-周信息或区域频率信息也导致性能下降。各组件的贡献均被验证。

**讨论与结论**
总结讨论部分：论文指出尽管GLTrajRec取得良好性能，但仍存在局限，例如依赖历史签到数据、无法评估真正未见位置、对区域划分敏感、以及适用性限于Foursquare风格数据集。未来工作将针对不同用户群体进行更细粒度分析，并研究未见用户、未见位置和稀疏历史场景下的专用方法。
研究结论翻译：本文研究了轨迹恢复问题，整合全局轨迹信息与多因素局部行为语义以恢复缺失轨迹。具体而言，提出全局轨迹流图建模，从所有用户轨迹中捕捉共享移动模式，在个体历史数据不足时提供有效空间转移约束；设计多因素局部语义嵌入，从多方面全面编码多维个性化移动信息，实现更准确的个性化恢复；采用Transformer编码器的双向建模能力结合多层感知机，学习轨迹表示并精确恢复缺失位置。在两个真实数据集上的评估验证了该方法的有效性。