论文标题：A survey on trajectory representation learning methods

期刊：Frontiers of Computer Science

作者：Xiangfu MENG, Shuonan SUN, Xiaoyan ZHANG, Qiangkui LENG, Jinfeng FANG

发表时间：19 May 2025

DOI：10.1007/s11704-025-41033-9

微信链接：点击此处阅读微信文章

引用格式：

Xiangfu MENG, Shuonan SUN, Xiaoyan ZHANG, Qiangkui LENG, Jinfeng FANG. A survey on trajectory representation learning methods. Front. Comput. Sci., 2025, 19(12): 1912379

阅读原文：

问题概述

针对传统的轨迹表示学习方法在面对不同的下游任务时存在的问题：通常需要将可变长度轨迹转化为固定长度向量，易导致表示能力不足，难以保留轨迹的语义信息；当前研究对不同任务场景下模型的比较分析不够系统，实际应用中方法选择困难。

文章旨在系统回顾轨迹表示学习与下游任务之间的关联，构建任务导向的综述体系。提出基于应用场景的分类框架，揭示不同任务对表示学习策略的特定需求。对每类任务中的代表性模型进行结构与算法层面的比较分析，展示其优势与适用性。识别当前研究面临的关键挑战（如数据稀疏、多模态表示、模型优化、隐私保护等），并提出未来研究方向与潜在解决方案。

技术步骤

本文提出一种面向任务的轨迹表示学习分类与对比研究框架。从四个核心下游任务（轨迹相似性计算、相似轨迹检索、轨迹聚类、轨迹预测）出发，分类分析每类任务中现有方法的模型技术与优缺点，并对各类任务的代表性模型结构、算法原理、优劣势进行了深入比较与归纳。

轨迹相似性计算框架图

轨迹相似性代表性模型结构- At2vec

相似轨迹搜索框架图

相似轨迹搜索代表性模型结构- Aries

轨迹聚类框架图

轨迹聚类代表性模型结构-E²DTC

轨迹预测框架图

轨迹预测代表性模型结构-FlightBERT++

实验结果

虽然文中未提供具体的数值实验结果，但通过对轨迹相似性计算、相似轨迹检索、轨迹聚类、轨迹预测方法的系统综述和对比分析，明确指出了不同任务对表示方法的差异性需求及适用策略。

中国学术前沿期刊网

http://journal.hep.com.cn