Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel Semantics

要約

軌跡表現学習 (TRL) は、時空間データの分析と管理のための強力なツールです。
TRL は、複雑な生の軌跡を低次元表現ベクトルに変換することを目的としています。これは、軌跡の分類、クラスタリング、類似性の計算など、さまざまな下流タスクに適用できます。
既存の TRL 作品は通常、軌跡を通常のシーケンス データとして扱いますが、時間的規則性や移動セマンティクスなどの重要な時空間特性の一部は十分に活用されていません。
このギャップを埋めるために、時間的規則性と移動セマンティクスを備えた新しい自己教師あり軌道表現学習フレームワーク、すなわち START を提案します。
提案手法は 2 つの段階から構成される。
最初のステージは、Trajectory Pattern-Enhanced Graph Attendant Network (TPE-GAT) で、道路ネットワークのフィーチャと移動セマンティクスを道路セグメントの表現ベクトルに変換します。
第 2 段階は時間認識軌道エンコーダ (TAT-Enc) で、同じ軌道内の道路セグメントの表現ベクトルを軌道表現ベクトルとしてエンコードし、同時に軌道表現に時間的規則性を組み込みます。
さらに、軌道の時空間特性を START フレームワークのトレーニング プロセスに導入するために、2 つの自己教師ありタスク、つまりスパンマスク軌道回復と軌道対照学習も設計します。
提案された方法の有効性は、3 つの下流タスクに対する 2 つの大規模な現実世界のデータセットに対する広範な実験によって検証されます。
この実験では、私たちの手法をさまざまな都市に適用して、異種の軌道データセットを適応できることも示しています。

要約(オリジナル)

Trajectory Representation Learning (TRL) is a powerful tool for spatial-temporal data analysis and management. TRL aims to convert complicated raw trajectories into low-dimensional representation vectors, which can be applied to various downstream tasks, such as trajectory classification, clustering, and similarity computation. Existing TRL works usually treat trajectories as ordinary sequence data, while some important spatial-temporal characteristics, such as temporal regularities and travel semantics, are not fully exploited. To fill this gap, we propose a novel Self-supervised trajectory representation learning framework with TemporAl Regularities and Travel semantics, namely START. The proposed method consists of two stages. The first stage is a Trajectory Pattern-Enhanced Graph Attention Network (TPE-GAT), which converts the road network features and travel semantics into representation vectors of road segments. The second stage is a Time-Aware Trajectory Encoder (TAT-Enc), which encodes representation vectors of road segments in the same trajectory as a trajectory representation vector, meanwhile incorporating temporal regularities with the trajectory representation. Moreover, we also design two self-supervised tasks, i.e., span-masked trajectory recovery and trajectory contrastive learning, to introduce spatial-temporal characteristics of trajectories into the training process of our START framework. The effectiveness of the proposed method is verified by extensive experiments on two large-scale real-world datasets for three downstream tasks. The experiments also demonstrate that our method can be transferred across different cities to adapt heterogeneous trajectory datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google