科研之友
微信
新浪微博
Facebook
分享链接
摘要
度量轨迹间的相似性不仅是一项基础的研究问题，同时也为众多轨迹数据挖掘应用提供支持。传统相似性度量方法面临数据噪声敏感、算法效率低等问题，难以进行大规模数据计算。当前研究开始尝试使用深度表征学习方法，将高维轨迹数据映射到低维向量空间，通过度量表征间的距离高效地完成相似度计算任务。本文在轨迹表征学习中引入Transformer机制，提出了一种地理空间感知的深度轨迹表征学习方法。首先，使用Geohash编码将二维空间坐标点转换为一维编码序列，使轨迹点在嵌入过程中保留空间相关性。然后，引入Transformer框架构建轨迹表征的深度学习模型，并采用一种隐轨迹点训练模式，以保证模型能从低频、噪声的数据中习得更稳健的向量表示。最后，设计了一个空间感知损失函数，通过距离因子调整模型误差，拉近空间相近轨迹的表征。试验表明，本文方法在轨迹相似性计算任务中超越了基准模型，并且计算效率远高于传统度量方法。
- 出版日期2023
- 单位武汉大学
