TrajLM：一种用于稀疏道路网络中统一轨迹学习的可迁移移动模式蒸馏方法

《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摘要

关闭

要查看此AI生成的摘要，您必须具有高级访问权限。

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中的运动方面起着关键作用，对城市交通优化、人类流动性分析和自动驾驶车辆导航等基于位置的关键应用有着重要影响。尽管传统方法能够有效地捕捉局部轨迹模式，但由于它们在整合全局上下文语义方面的能力有限，因此在表示多样化的交通场景时存在语义理解上的困难。最近在大型语言模型（LLMs）方面的进展表明，这些模型在从大量数据中捕获语义关系方面具有潜力；然而，当面对地理覆盖不均导致只有少量轨迹通过的稀疏区域时，它们在适应其强大的语义学习能力方面面临挑战。为了填补这一空白，我们提出了TrajLM，这是一种新颖的模型，它能够通过大型语言模型在稀疏的道路网络中提炼出可迁移的移动模式，从而实现统一的轨迹表示。我们的方法促进了密集和稀疏轨迹区域之间的深度协作，利用相互的知识蒸馏来缓解稀疏性问题并增强语义表达。此外，通过结合时空动态，我们的模型使LLMs能够学习时变运动表示，从而提高对移动性的理解。广泛的实验表明，我们的模型在三个下游任务中的表现显著优于现有的最佳模型，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摘要

AI生成摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审阅。它旨在帮助读者发现内容、评估相关性，并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章是权威版本。点击此处了解更多关于ACM AI摘要的信息。

点击此处对摘要的准确性、清晰度和有用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此AI生成的通俗语言摘要，您必须具有高级访问权限。