新的CORE框架集成了LLM以实现高级轨迹表示学习

研究人员开发了一个名为CORE的新框架，用于轨迹表示学习（TRL）。该方法将上下文感知的路线选择语义集成到轨迹嵌入中，超越了将轨迹视为简单时空序列的处理方式。CORE利用大型语言模型（LLM）为路网数据注入环境语义，并采用混合专家（MoE）架构来捕捉路线选择模式。实验表明，CORE在各种下游任务上持续优于现有的TRL方法，平均改进率为9.20%。 AI

影响 该框架通过更好地理解用户行为，可以改进出行预测和旅行时间估算的应用程序。

排序理由 该集群包含一篇详细介绍新的轨迹表示学习框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Ji Cao
• large language models
• LLMs
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →