TrajLM:稀疏路网中用于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08月28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物体在时空中的运动方面发挥着关键作用,影响基于位置的关键应用,如城市交通优化、人类移动性分析和自动驾驶导航。尽管传统方法能有效捕捉局部轨迹模式,但由于其融合全局上

  

摘要

摘要

时空轨迹数据挖掘在理解和预测物体在时空中的运动方面发挥着关键作用,影响基于位置的关键应用,如城市交通优化、人类移动性分析和自动驾驶导航。尽管传统方法能有效捕捉局部轨迹模式,但由于其融合全局上下文语义的能力有限,难以满足多样交通场景稳健表示所需的语义理解。大语言模型(LLMs)的最新进展表明其在从海量数据中捕捉语义关系方面很有前景;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只有少量轨迹穿过的稀疏区域。为了弥合这一差距,我们提出了 TrajLM,这是一种新型模型,通过大语言模型蒸馏稀疏路网中的可迁移移动模式以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,利用相互知识蒸馏来缓解稀疏性挑战并增强语义表示。此外,通过融入时空动态,我们的模型使 LLMs 能够学习时变运动表示,从而提高移动性理解。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模型,平均提升 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)

此摘要使用自动化工具生成,未经文章作者撰写或审核。它旨在支持发现,帮助读者评估相关性,并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要,后者仍然是论文的主要摘要。完整文章仍然是权威的记录版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和有用性发表评论。这样做将有助于通知改进和未来的再生成版本。

要查看此 AI 生成的通俗语言摘要,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
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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