TrajLM:稀疏路网中统一轨迹学习的可迁移移动模式蒸馏

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

【字体: 大 中 小 】 时间:2026年09月20日 来源:Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies

编辑推荐:

   摘要AI 摘要要查看此 AI 生成的摘要,您必须拥有高级访问权限。了解更多登录摘要摘要时空轨迹数据挖掘在理解和预测对象在空间和时间中的运动方面发挥着关键作用,影响着基于位置的重要应用,例如城市交通优化、人类移动性分析和自动驾驶导航。尽管传统方法能够有效地捕捉局部轨迹模式,但由

  

摘要

摘要

时空轨迹数据挖掘在理解和预测对象在空间和时间中的运动方面发挥着关键作用,影响着基于位置的重要应用,例如城市交通优化、人类移动性分析和自动驾驶导航。尽管传统方法能够有效地捕捉局部轨迹模式,但由于其融合全局上下文语义的能力有限,难以实现多样化交通场景所需的语义理解,从而无法实现鲁棒的表征。近年来,大语言模型(LLM)在从大量数据中捕捉语义关系方面展现了巨大潜力;然而,由于地理覆盖不均匀,它们难以将强大的语义学习能力适应到仅有少量轨迹经过的稀疏区域。为弥合这一差距,我们提出了 TrajLM,一种新型模型,该模型通过大语言模型从稀疏道路网络中蒸馏可迁移的移动模式,实现统一的轨迹表征。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度协作,利用互知识蒸馏来缓解稀疏性挑战并增强语义表征。此外,通过引入时空动态特性,我们的模型使大语言模型能够学习时变运动表征,从而提升对移动性的理解。大量实验表明,我们的模型在三个下游任务中显著优于当前最先进的竞争方法,平均性能提升 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)

此摘要由自动化工具生成,未经本文作者撰写或审阅。它旨在支持发现、帮助读者评估相关性,并协助来自相邻研究领域的读者理解本工作。它旨在补充作者提供的摘要,后者仍然是论文的主要摘要。全文仍然是权威版本。

点击此处,对此摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的通俗摘要,您必须拥有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号