路网拓扑感知的轨迹表示学习方法
现有路网场景下的轨迹表示学习(Trajectory Representation Learning,TRL)方法可分为两类,即基于循环神经网络(RNN)和长短期记忆(LSTM)的序列化模型以及基于自注意力机制的学习模型.尽管已有研究做出了重大贡献,但它们仍然存在以下问题:(1)现有的路网表示学习方法忽略了相邻路段之间的转移概率,不能充分捕获路网的拓扑结构信息;(2)基于自注意力机制的学习模型在短轨迹和中长轨迹上的表现优于序列化模型,但在长轨迹的表示学习上性能较差,未能很好刻画轨迹的长期语义特征.基于此,文中提出了一个新的轨迹表示学习模型TRMS.该模型采用概率感知游走来优化传统DeepWalk算法,以深入挖掘路网的拓扑结构,然后将自注意力机制和Masked Seq2Seq学习框架相结合来捕获轨迹的长期语义特征.最后,基于真实轨迹数据进行实验,结果表明,TRMS在短、中、长轨迹的嵌入表示上,性能都优于最好的基线方法.
路网、拓扑结构、轨迹表示学习、序列化模型、自注意力机制
50
TP311(计算技术、计算机技术)
2023-11-17(万方平台首次上网日期,不代表论文的发表时间)
共8页
114-121