PulseAugur
实时 15:38:20
English(EN) TrajTok: Adaptive Spatial Tokenization for Trajectory Representation Learning

TrajTok从GPS数据中学习可迁移的轨迹嵌入

研究人员开发了TrajTok,一种从GPS数据中学习可泛化轨迹表示的新颖方法。该系统通过采用多分辨率六边形单元划分将GPS序列转换为离散标记,解决了连续、噪声和不规则采样数据带来的挑战。TrajTok利用因子化Transformer编码器,结合专门的注意力层和时空旋转位置嵌入,来编码这些标记的位置和时间。TrajTok使用掩码标记建模方法进行预训练,在各种轨迹相关任务中表现出色,表明其作为轨迹数据的通用基础模型的潜力。 AI

影响 引入了一种新的轨迹数据基础模型方法,可能改进相似性搜索和ETA预测等下游应用。

排序理由 介绍轨迹表示学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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 →

TrajTok从GPS数据中学习可迁移的轨迹嵌入

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Cyrus Shahabi ·

    TrajTok: Adaptive Spatial Tokenization for Trajectory Representation Learning

    Learning generalizable trajectory representations from raw GPS traces remains difficult because the data is continuous, noisy, and irregularly sampled. Spatial tokenization is also challenging: fine grids yield sparse cells with weak embeddings, while coarse grids merge heterogen…