English(EN) Using Lower-Bound Representations for Trajectory Similarity Learning

新框架使用下界表示改进轨迹相似性学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 04:00

研究人员开发了一个名为LB-TrajRep的新框架，用于学习轨迹相似性。该方法使用与深度神经网络嵌入无关的下界表示，为动态时间规整（DTW）、豪斯多夫距离和离散弗雷歇距离（DFD）等各种轨迹距离提供可接受且可解释的界限。实验表明，LB-TrajRep在某些指标上将top-k排名准确率提高了高达60%，持续优于当前的神经轨迹嵌入。 AI

影响这项研究为轨迹相似性学习提供了一种更稳定且成本效益更高的方法，有可能改进检索系统。

排序理由该集群包含一篇详细介绍新框架和实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Liwei Deng, Haotian Meng, Yupu Zhang, Yan Zhao, Torben Bach Pedersen, Kai Zheng, Christian S. Jensen · 2026-08-04 04:00

Using Lower-Bound Representations for Trajectory Similarity Learning

arXiv:2608.01039v1 Announce Type: cross Abstract: Trajectory similarity learning is fundamental to efficient trajectory retrieval under complex distance measures. Existing learning-based methods typically rely on embeddings trained to approximate trajectory distances or rankings,…

报道来源 [1]

Using Lower-Bound Representations for Trajectory Similarity Learning

相关实体

相关话题