基于地理空间感知型表征学习的轨迹相似度计算
P208; 度量轨迹间的相似性不仅是一项基础的研究问题,同时也为众多轨迹数据挖掘应用提供支持.传统相似性度量方法面临数据噪声敏感、算法效率低等问题,难以进行大规模数据计算.当前研究开始尝试使用深度表征学习方法,将高维轨迹数据映射到低维向量空间,通过度量表征间的距离高效地完成相似度计算任务.本文在轨迹表征学习中引入Transformer机制,提出了 一种地理空间感知的深度轨迹表征学习方法.首先,使用Geohash编码将二维空间坐标点转换为一维编码序列,使轨迹点在嵌入过程中保留空间相关性.然后,引入Transformer框架构建轨迹表征的深度学习模型,并采用一种隐轨迹点训练模式,以保证模型能从低频...
Gespeichert in:
| Veröffentlicht in: | 测绘学报 2023-04, Vol.52 (4), p.670-678 |
|---|---|
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | chi |
| Online-Zugang: | Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | 678 |
|---|---|
| container_issue | 4 |
| container_start_page | 670 |
| container_title | 测绘学报 |
| container_volume | 52 |
| creator | 吴晨昊 向隆刚 张叶廷 吴华意 |
| description | P208; 度量轨迹间的相似性不仅是一项基础的研究问题,同时也为众多轨迹数据挖掘应用提供支持.传统相似性度量方法面临数据噪声敏感、算法效率低等问题,难以进行大规模数据计算.当前研究开始尝试使用深度表征学习方法,将高维轨迹数据映射到低维向量空间,通过度量表征间的距离高效地完成相似度计算任务.本文在轨迹表征学习中引入Transformer机制,提出了 一种地理空间感知的深度轨迹表征学习方法.首先,使用Geohash编码将二维空间坐标点转换为一维编码序列,使轨迹点在嵌入过程中保留空间相关性.然后,引入Transformer框架构建轨迹表征的深度学习模型,并采用一种隐轨迹点训练模式,以保证模型能从低频、噪声的数据中习得更稳健的向量表示.最后,设计了一个空间感知损失函数,通过距离因子调整模型误差,拉近空间相近轨迹的表征.试验表明,本文方法在轨迹相似性计算任务中超越了基准模型,并且计算效率远高于传统度量方法. |
| doi_str_mv | 10.11947/j.AGCS.2023.20220026 |
| format | Article |
| fullrecord | <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_chxb202304015</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>chxb202304015</wanfj_id><sourcerecordid>chxb202304015</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1005-733cf704ee0857b396d3e260817f06797d698c82fdb923c5316c3747f07730ac3</originalsourceid><addsrcrecordid>eNotjzFLw0AYhm9QsNT-BEfHxO_uy93lJilBq1BwUOeSXBK1SASD6CoUF0HcClaMHSx1sDg42FD1zyQm_gtTdHnf4YXn4SVkhYJJqbLkWtdstpxdkwHDeTAAJhZIjQJQg3LFl0gjjo88AG6h5KhqZD1P0iy9ye9fi9ur4jn96b9995IiecofrsvhOP-8zF9G2fSxuOuVH-Pya1oM3rPZLE9H5WRYTPrLZDF0j-Og8d91sr-5sedsGe2d1rbTbBtxJeeGRNShBCsIwObSQyV8DJgAm8oQhFTSF8rWNgt9TzHUHKnQKK1qlBLB1Vgnq3_cczcK3eig0z05O40qY0cfXnjzw2AB5fgLVAdg7Q</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于地理空间感知型表征学习的轨迹相似度计算</title><source>EZB-FREE-00999 freely available EZB journals</source><creator>吴晨昊 ; 向隆刚 ; 张叶廷 ; 吴华意</creator><creatorcontrib>吴晨昊 ; 向隆刚 ; 张叶廷 ; 吴华意</creatorcontrib><description>P208; 度量轨迹间的相似性不仅是一项基础的研究问题,同时也为众多轨迹数据挖掘应用提供支持.传统相似性度量方法面临数据噪声敏感、算法效率低等问题,难以进行大规模数据计算.当前研究开始尝试使用深度表征学习方法,将高维轨迹数据映射到低维向量空间,通过度量表征间的距离高效地完成相似度计算任务.本文在轨迹表征学习中引入Transformer机制,提出了 一种地理空间感知的深度轨迹表征学习方法.首先,使用Geohash编码将二维空间坐标点转换为一维编码序列,使轨迹点在嵌入过程中保留空间相关性.然后,引入Transformer框架构建轨迹表征的深度学习模型,并采用一种隐轨迹点训练模式,以保证模型能从低频、噪声的数据中习得更稳健的向量表示.最后,设计了一个空间感知损失函数,通过距离因子调整模型误差,拉近空间相近轨迹的表征.试验表明,本文方法在轨迹相似性计算任务中超越了基准模型,并且计算效率远高于传统度量方法.</description><identifier>ISSN: 1001-1595</identifier><identifier>DOI: 10.11947/j.AGCS.2023.20220026</identifier><language>chi</language><publisher>武汉大学测绘遥感信息工程国家重点试验室,湖北 武汉430000</publisher><ispartof>测绘学报, 2023-04, Vol.52 (4), p.670-678</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/chxb/chxb.jpg</thumbnail><link.rule.ids>314,780,784,27924,27925</link.rule.ids></links><search><creatorcontrib>吴晨昊</creatorcontrib><creatorcontrib>向隆刚</creatorcontrib><creatorcontrib>张叶廷</creatorcontrib><creatorcontrib>吴华意</creatorcontrib><title>基于地理空间感知型表征学习的轨迹相似度计算</title><title>测绘学报</title><description>P208; 度量轨迹间的相似性不仅是一项基础的研究问题,同时也为众多轨迹数据挖掘应用提供支持.传统相似性度量方法面临数据噪声敏感、算法效率低等问题,难以进行大规模数据计算.当前研究开始尝试使用深度表征学习方法,将高维轨迹数据映射到低维向量空间,通过度量表征间的距离高效地完成相似度计算任务.本文在轨迹表征学习中引入Transformer机制,提出了 一种地理空间感知的深度轨迹表征学习方法.首先,使用Geohash编码将二维空间坐标点转换为一维编码序列,使轨迹点在嵌入过程中保留空间相关性.然后,引入Transformer框架构建轨迹表征的深度学习模型,并采用一种隐轨迹点训练模式,以保证模型能从低频、噪声的数据中习得更稳健的向量表示.最后,设计了一个空间感知损失函数,通过距离因子调整模型误差,拉近空间相近轨迹的表征.试验表明,本文方法在轨迹相似性计算任务中超越了基准模型,并且计算效率远高于传统度量方法.</description><issn>1001-1595</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNotjzFLw0AYhm9QsNT-BEfHxO_uy93lJilBq1BwUOeSXBK1SASD6CoUF0HcClaMHSx1sDg42FD1zyQm_gtTdHnf4YXn4SVkhYJJqbLkWtdstpxdkwHDeTAAJhZIjQJQg3LFl0gjjo88AG6h5KhqZD1P0iy9ye9fi9ur4jn96b9995IiecofrsvhOP-8zF9G2fSxuOuVH-Pya1oM3rPZLE9H5WRYTPrLZDF0j-Og8d91sr-5sedsGe2d1rbTbBtxJeeGRNShBCsIwObSQyV8DJgAm8oQhFTSF8rWNgt9TzHUHKnQKK1qlBLB1Vgnq3_cczcK3eig0z05O40qY0cfXnjzw2AB5fgLVAdg7Q</recordid><startdate>20230420</startdate><enddate>20230420</enddate><creator>吴晨昊</creator><creator>向隆刚</creator><creator>张叶廷</creator><creator>吴华意</creator><general>武汉大学测绘遥感信息工程国家重点试验室,湖北 武汉430000</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20230420</creationdate><title>基于地理空间感知型表征学习的轨迹相似度计算</title><author>吴晨昊 ; 向隆刚 ; 张叶廷 ; 吴华意</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1005-733cf704ee0857b396d3e260817f06797d698c82fdb923c5316c3747f07730ac3</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>online_resources</toplevel><creatorcontrib>吴晨昊</creatorcontrib><creatorcontrib>向隆刚</creatorcontrib><creatorcontrib>张叶廷</creatorcontrib><creatorcontrib>吴华意</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>测绘学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>吴晨昊</au><au>向隆刚</au><au>张叶廷</au><au>吴华意</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于地理空间感知型表征学习的轨迹相似度计算</atitle><jtitle>测绘学报</jtitle><date>2023-04-20</date><risdate>2023</risdate><volume>52</volume><issue>4</issue><spage>670</spage><epage>678</epage><pages>670-678</pages><issn>1001-1595</issn><abstract>P208; 度量轨迹间的相似性不仅是一项基础的研究问题,同时也为众多轨迹数据挖掘应用提供支持.传统相似性度量方法面临数据噪声敏感、算法效率低等问题,难以进行大规模数据计算.当前研究开始尝试使用深度表征学习方法,将高维轨迹数据映射到低维向量空间,通过度量表征间的距离高效地完成相似度计算任务.本文在轨迹表征学习中引入Transformer机制,提出了 一种地理空间感知的深度轨迹表征学习方法.首先,使用Geohash编码将二维空间坐标点转换为一维编码序列,使轨迹点在嵌入过程中保留空间相关性.然后,引入Transformer框架构建轨迹表征的深度学习模型,并采用一种隐轨迹点训练模式,以保证模型能从低频、噪声的数据中习得更稳健的向量表示.最后,设计了一个空间感知损失函数,通过距离因子调整模型误差,拉近空间相近轨迹的表征.试验表明,本文方法在轨迹相似性计算任务中超越了基准模型,并且计算效率远高于传统度量方法.</abstract><pub>武汉大学测绘遥感信息工程国家重点试验室,湖北 武汉430000</pub><doi>10.11947/j.AGCS.2023.20220026</doi><tpages>9</tpages></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 1001-1595 |
| ispartof | 测绘学报, 2023-04, Vol.52 (4), p.670-678 |
| issn | 1001-1595 |
| language | chi |
| recordid | cdi_wanfang_journals_chxb202304015 |
| source | EZB-FREE-00999 freely available EZB journals |
| title | 基于地理空间感知型表征学习的轨迹相似度计算 |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-02T13%3A51%3A15IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%9C%B0%E7%90%86%E7%A9%BA%E9%97%B4%E6%84%9F%E7%9F%A5%E5%9E%8B%E8%A1%A8%E5%BE%81%E5%AD%A6%E4%B9%A0%E7%9A%84%E8%BD%A8%E8%BF%B9%E7%9B%B8%E4%BC%BC%E5%BA%A6%E8%AE%A1%E7%AE%97&rft.jtitle=%E6%B5%8B%E7%BB%98%E5%AD%A6%E6%8A%A5&rft.au=%E5%90%B4%E6%99%A8%E6%98%8A&rft.date=2023-04-20&rft.volume=52&rft.issue=4&rft.spage=670&rft.epage=678&rft.pages=670-678&rft.issn=1001-1595&rft_id=info:doi/10.11947/j.AGCS.2023.20220026&rft_dat=%3Cwanfang_jour%3Echxb202304015%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=chxb202304015&rfr_iscdi=true |