Neues Verfahren BLUE verbessert Trajektorien-Embedding um 30 %

In der Forschung zur Trajektorienrepräsentation (Trajectory Representation Learning, TRL) wird häufig versucht, GPS‑Spuren in Vektor‑Embeddings zu überführen, um Aufgaben wie Klassifikation und Ähnlichkeitssuche zu erleichtern. Aktuelle Spitzenmethoden wandeln rohe GPS‑Daten in Gitter‑ oder Straßennetz‑Spuren um, um hochrangige Reisesemantik wie Regionen und Straßen zu erfassen. Dabei gehen jedoch feine räumlich‑zeitliche Details verloren, weil mehrere GPS‑Punkte zu einem einzigen Gitterzelle oder Straßensegment zusammengefasst werden.

Um dieses Problem zu lösen, wurde das neue Verfahren BLUE (Blurred Encoding) entwickelt. BLUE reduziert schrittweise die Genauigkeit der GPS-Koordinaten, um hierarchische Patches mit mehreren Ebenen zu erzeugen. Die niedrig‑level‑Patches sind klein und bewahren die feinen Details, während die hoch‑level‑Patches groß sind und das Gesamtmuster der Reise erfassen. Das Modell nutzt eine Encoder‑Decoder‑Architektur mit einer Pyramidenstruktur: Auf jeder Patch‑Ebene lernt ein Transformer das Embedding, während Pooling die Eingaben für die höhere Ebene vorbereitet und Upsampling die niedrigere Ebene im Decoder unterstützt.

BLUE wird mit einer Rekonstruktionsaufgabe und MSE‑Verlust trainiert. In Vergleich zu acht führenden TRL‑Methoden zeigte BLUE bei drei Downstream‑Aufgaben konsequent höhere Genauigkeiten und übertraf die besten Baselines durchschnittlich um 30,90 %. Der Code ist öffentlich verfügbar unter https://github.com/slzhou-xy/BLUE.