论文汇报_道路网络中的时空轨迹相似性学习.pptx

ST2Vec:Spatio-TemporalTrajectorySimilarityLearninginRoadNetworks汇报人：XXXMachineLearning2021ZiquanFang,YuntaoDu,etal2023/1/7

ZiquanFang浙江大学研究领域Spatio-temporalDataMiningDistributedProcessing文章

YuntaoDuBIGAI研究领域TransferlearningDomainadaptation文章

主要内容MainContents123背景内容4实验方法5总结4

1背景轨迹相似性计算现有方法及缺点手工距离测量计算成本高且复杂度高神经网络方法忽略时间维度时空轨迹相似性的一个例子为什么考虑时空相似性？情境：T1表示一名司机假话的行程，T2和T3是两个寻找打车机会的人。空间角度推荐T2，时间角度推荐T3。应用为司机分配潜在的共享乘车伙伴；交通管理部门通过汇总相似轨迹和计算道路的出行频率来预测交通拥堵情况；社交应用程序识别具有相似生活轨迹的用户来进行好友推荐。

手工距离测量①基于自由空间的测量方法②基于路网的测量方法：TP、DITA、LCRS、NetERP原始轨迹映射到路网路径上再基于经典的距离度量定义相似度神经网络方法（轨迹嵌入相似性反映GPS轨迹相似性）补充学习：相似度计算欧氏距离DTW动态时间规整LCSS最长公共子序列Hausdorff豪斯多夫距离

2研究内容如何捕捉轨迹之间的时间相关性时间建模模块TMM如何融合时空轨迹嵌入，实现统一的时空相似性学习时空协同融合模块STCF如何优化模型以提高有效性和效率新的三元组采样策略课程学习两种融合方法时间有很强的连续性和周期性不同用户赋予空间和时间相似性不同权重以适应不同应用目标的有效性—相似性查询的质量效率—模型收敛速度课程学习（CurriculumLearning，CL）是一种训练策略，模仿人类的学习过程，主张让模型从容易的样本开始学习，并逐渐进阶到复杂的样本和知识。

2内容道路网络：，顶点表示道路交叉口或道路重点GPS轨迹：，g表示由经纬度组成的观测地理位置路网中的轨迹：地图匹配程序将轨迹与OpenStreetMap中路网匹配映射。空间轨迹和时间轨迹相似性函数：空间和时间相似性的加权线性组合学习目标：神经网络驱动函数最大程度地接近

2内容利用相似和不相似轨迹对构建相似性三元组；同时考虑空间和时间纬度学习嵌入轨迹；学习轨迹嵌入直至嵌入向量的轨迹相似性接近地面实况相似性。嵌入的本质是压缩

3方法：ST2Vec方法时间建模模块（TemporalModelingModule，TMM）时间嵌入时序嵌入去耦合注意力普通的序列模型RNN、LSTM无法处理时间的周期性和非周期性时间模式。∴时间嵌入+时序嵌入+注意力结合cos周期激活函数，捕捉周期性行为线性项表示时间的推移，捕