RED: Effective Trajectory Representation Learning with Comprehensive Information
University of Electronic Science and Technology of China（电子科技大学）；Aalborg University（奥尔堡大学）；KAUST（阿卜杜拉国王科技大学）
针对现有轨迹表示学习（TRL）方法未充分利用轨迹综合信息导致下游任务精度不足的问题，提出自监督框架RED，通过路径感知掩码MAE、时空用户联合嵌入及双目标任务训练，在多个数据集上提升精度超5%。
2024-11-28 cs.AI cs.LG
Evaluating the Effectiveness of Large Language Models in Representing and Understanding Movement Trajectories
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本研究通过GPT-J编码轨迹字符串并评估其嵌入表示，发现LLM虽能保留部分轨迹距离度量、理解时空依赖并较好完成位置预测，但在数值恢复和空间邻近检索上仍存在不足，需结合领域知识改进以支持GeoAI应用。
2024-08-31 cs.AI cs.CL cs.LG
Transferable Unsupervised Outlier Detection Framework for Human Semantic Trajectories
Emory University（埃默里大学）
针对传统异常检测依赖领域知识且缺乏多模态综合考量的问题，提出可迁移无监督异常检测框架TOD4Traj，通过模态特征统一与对比学习实现跨数据集的人类轨迹异常检测，性能优于现有模型。
2024-10-11 cs.LG
REM: Evaluating LLM Embodied Spatial Reasoning through Multi-Frame Trajectories
Department of Computer Science（计算机科学系）；Carnegie Mellon University（卡内基梅隆大学）
REM通过多帧轨迹评估大语言模型的空间推理能力，揭示其在复杂空间任务中的不足，推动更 robust 的空间表示研究。
2025-11-30 cs.AI cs.CV cs.LG
Representing Outcome-driven Higher-order Dependencies in Graphs of Disease Trajectories
Lucy Family Institute for Data and Society, University of Notre Dame（圣母大学露西家庭数据与社会研究所）；Children’s Mercy, University of Missouri-Kansas City School of Medicine（密苏里大学堪萨斯城分校医学院儿童慈善医院）
本研究提出一种方法，在疾病轨迹图中编码结果驱动的高阶依赖关系，利用大规模T2D患者数据验证其信息量，并增强Transformer模型性能，实现准确且可解释的分析。
2023-12-23 cs.LG
Evaluating the Effectiveness of Large Language Models in Representing Textual Descriptions of Geometry and Spatial Relations
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本研究通过GPT-2和BERT编码WKT几何文本并评估其嵌入，发现LLM可保留几何类型和部分空间关系但数值估计与空间检索仍不足，强调需融合领域知识以改进GeoAI基础模型。
2023-07-05 cs.AI cs.CL cs.LG
Learning Fine Grained Place Embeddings with Spatial Hierarchy from Human Mobility Trajectories
Yahoo Japan Corporation（雅虎日本公司）；Lyles School of Civil Engineering, Purdue University（普渡大学莱尔思工程学院）
从人类移动轨迹生成的地点嵌入已经成为了解地点功能的流行方法。具有高空间分辨率的位置嵌入对于许多应用是期望的，然而，由于数据稀疏性，特别是在人口较少的区域中，空间分辨率的降尺度会使嵌入的质量恶化。我们解决这个问题，提出了一种方法，产生细粒度的地方嵌入，利用空间层次信息，根据观察到的数据点的局部密度。我们的细粒度的地方嵌入的有效性进行比较，通过下一个地方的预测任务，使用来自日本3个城市的真实世界的轨迹数据的基线方法。此外，我们证明了我们的细粒度的地方嵌入土地利用分类应用程序的价值。我们相信，我们的技术，将空间层次信息可以补充和加强各种地方嵌入生成方法。
2020-02-06 cs.AI cs.LG
Spatial-Interactor: Learning Spatial Reasoning through Interaction with the Observable Physical World
Zhejiang University（浙江大学）；SAP
针对VLM在动态环境中空间推理能力不足的问题，提出Spatial-Interactor框架，通过三级课程和两阶段训练（SFT与OPD）利用交互轨迹学习状态转换，构建LSI-108K数据集，在多个基准上取得一致提升。
2026-10-14 cs.AI cs.LG
Classifying Spatial Trajectories
University of Utah（犹他大学）
我们提供了第一个全面的研究如何分类轨迹只使用他们的空间表示，测量5个真实世界的数据集。我们的比较考虑20个不同的分类器，无论是作为一个流行的距离的KNN分类器，或作为一个更一般类型的分类器，使用每个轨迹的矢量化表示。我们还开发了新的方法，用于如何通过数据驱动的方法来选择相关的地标来矢量化轨迹，这些方法在我们的研究中被证明是最有效的。这些矢量化方法使用起来简单有效，并且还在已建立的运输模式分类任务上提供了最先进的准确性。总之，这项研究为如何对轨迹进行分类设定了标准，包括引入新的简单技术来实现这些结果，并为未来不可避免的关于这一主题的研究设定了严格的标准。
2022-09-03 cs.CG cs.LG
Deep Spatially and Temporally Aware Similarity Computation for Road Network Constrained Trajectories
Zhejiang University（浙江大学）；Aalborg University（奥尔堡大学）
轨迹相似性计算已经引起了广泛的关注，因为它是诸如乘车共享、交通分析和社交推荐等广泛应用中的核心功能。受最近深度学习技术的成功的激励，研究人员开始致力于基于学习的相似性分析，以克服局限性（即，成本高，适应性差）。具体而言，深度轨迹相似性计算旨在学习距离函数，该距离函数可以通过神经网络评估两个轨迹的相似程度。然而，现有的基于学习的方法专注于空间相似性，但忽略了时间维度的轨迹，这是次优的时间感知应用程序。此外，他们往往忽略了嵌入到道路网络的轨迹，限制了他们在现实场景中的适用性。在本文中，我们提出了一个有效的基于学习的框架，称为ST2Vec，在道路网络中执行有效的空间和时间感知的轨迹相似性计算。最后，使用三个真实轨迹数据集进行的广泛实验评估表明，ST2Vec大大优于所有最先进的方法。
2022-02-27 cs.DB cs.LG
Pedestrian Trajectory Prediction via Spatial Interaction Transformer Network
School of Mechanical Engineering, University of Science and Technology Beijing（北京科技大学机械工程学院）
行人轨迹预测作为自动驾驶系统的核心技术，能够显著增强车辆主动安全功能，减少道路交通伤害。在交通场景中，行人遇到迎面而来的行人时，可能会突然转弯或立即停车，这往往会导致复杂的轨迹。为了预测这种不可预测的轨迹，我们可以深入了解行人之间的互动。本文提出了一种新的生成方法空间交互Transformer（SIT），通过注意力机制学习行人轨迹的时空相关性。此外，我们引入了条件变分自编码器（CVAE）框架来模拟行人未来的潜在运动状态。特别是，基于大规模trafc数据集nuScenes [2]的实验表明，SIT比最先进的（SOTA）方法具有出色的性能。在具有挑战性的ETH和UCY数据集上的实验评估证实了我们提出的模型的鲁棒性
2021-12-13 cs.CV cs.LG
Rays as Pixels: Learning A Joint Distribution of Videos and Camera Trajectories
Meta AI
提出一种视频扩散模型（Rays as Pixels），通过将相机表示为密集射线像素（raxels）并与视频帧共享潜在空间，联合去噪实现相机轨迹预测和相机控制视频生成。
2026-05-29 cs.AI cs.CV cs.LG
RNTrajRec: Road Network Enhanced Trajectory Recovery with Spatial-Temporal Transformer
Fudan University（复旦大学）；Shanghai Institute of Intelligent Electronics & Systems（上海智能电子与系统研究院）；Singapore Management University（新加坡管理大学）
GPS轨迹是行程时间估计、交通量预测、轨迹相似性度量等基于概率的应用的基础。大多数应用需要大量的高采样率轨迹来实现良好的性能。然而，许多现实生活中的轨迹收集低采样率由于能源的关注或其他限制，我们研究的任务轨迹恢复在本文中作为一种手段，提高采样率的低样本轨迹。目前，大多数关于轨迹恢复的现有工作遵循序列到序列图，其中编码器用于对轨迹进行编码，解码器用于恢复轨迹中的真实GPS点。然而，这些工作忽略了道路网络的拓扑结构，仅使用网格信息或原始GPS点作为输入。因此，编码器模型不能捕获轨迹沿线GPS点的丰富空间信息，使得预测不太准确并且缺乏空间一致性。在本文中，我们提出了一个道路网络增强的变压器为基础的框架，即RNTrajRec，轨迹恢复。RNTrajRec首先使用图模型，即GridGNN，来学习每个路段的嵌入特征。接下来，它开发了一个时空Transformer模型，即GPSFormer，以学习丰富的空间和时间特征，以及子图生成模块，以捕获轨迹中每个GPS点的空间特征。最后将编码器模型的输出转发到多任务解码器模型中，以恢复丢失的GPS点。基于三个大规模真实轨迹数据集的大量实验证实了我们方法的有效性。
2022-11-28 cs.AI cs.LG
Encoding Agent Trajectories as Representations with Sequence Transformers
Systems & Technology Research (STR)（系统与技术研究公司（STR））
提出STARE模型，利用Transformer将高维时空轨迹编码为离散位置序列，通过监督与自监督任务学习表示，在合成与真实数据上验证了其在下游任务及智能体与位置关系学习中的有效性。
2024-10-11 cs.AI cs.CL cs.LG
Modeling Microenvironment Trajectories on Spatial Transcriptomics with NicheFlow
School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院）；Munich Centre for Machine Learning (MCML)（慕尼黑机器学习中心）；Institute of Computational Biology, Helmholtz Munich（海德堡医学院计算生物学研究所）；Munich Data Science Institute (MDSI), Technical University of Munich（慕尼黑数据科学研究所）；TUM School of Life Sciences Weihenstephan, Technical University of Munich（慕尼黑技术大学生命科学学院）
NicheFlow通过流式生成模型推断空间转录组中细胞微环境的时空轨迹，实现对组织发育和疾病进展的深入理解。
2025-12-26 cs.LG q-bio.QM
Modeling Spatial Trajectories using Coarse-Grained Smartphone Logs
Indian Institute of Technology, Delhi（德里印度理工学院）
目前的兴趣点（POI）推荐方法通过标准的空间特征（如POI坐标、社交网络等）来学习用户的偏好，这些模型忽略了空间移动性的一个重要方面--每个用户无论走到哪里都带着智能手机。此外，随着对隐私问题的日益关注，用户避免分享他们的确切地理坐标和社交媒体活动。在本文中，我们提出了REVAMP，顺序POI推荐方法，利用智能手机应用程序（或应用程序）上的用户活动，以确定他们的移动偏好。这项工作与最近对在线城市用户的心理研究相一致，这些研究表明他们的空间移动行为在很大程度上受到智能手机应用程序活动的影响。此外，我们对粗粒度智能手机数据的建议是指以隐私意识的方式收集的数据日志，即，仅包括（a）智能手机应用程序类别和（b）登记位置类别。因此，REVAMP并不了解精确的地理坐标、社交网络或正在访问的特定应用程序。在自我注意力模型的功效的鼓舞下，我们使用两种形式的位置编码-绝对和相对-来学习用户的POI偏好，每种编码都是从用户的签到序列中的签到动态中提取的。来自中国的两个大规模数据集的广泛实验显示了REVAMP的预测能力及其预测应用程序和POI类别的能力。
2022-08-29 cs.LG
Map Matching based on Conditional Random Fields and Route Preference Mining for Uncertain Trajectories
Beijing University of Posts and Telecommunications（北京邮电大学）；Tsinghua University（清华大学）
为提高低采样率GPS离线地图匹配精度，提出了一种基于条件随机场（CRF）和路径偏好挖掘的地图匹配算法。该算法将道路偏移距离和采样点之间的时空关系作为CRF模型中GPS轨迹的特征，可以灵活地将上下文信息融入特征中。当采样率太低时，难以保证使用CRF中建模的时空上下文的有效性，并且驾驶员的路线偏好被用作要叠加在时空过渡特征上的补充。实验结果表明，该方法可以提高匹配的准确率，尤其是在低采样率的情况下。
2014-11-12 cs.LG cs.NI
MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data
Yale University（耶鲁大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Université de Montréal（蒙特利尔大学；魁北克人工智能研究所）；Mila - Quebec AI Institute（佐治亚大学）；University of Georgia（嘉宾医学研究所以及学院）；Garvan Institute of Medical Research
本文提出MIOFlow 2.0框架，结合流形学习、最优传输和神经微分方程，改进单细胞和空间转录组数据中细胞轨迹推断，提升轨迹准确性和揭示隐藏的细胞转换驱动因素。
2026-04-15 cs.LG
Hybrid Belief Reinforcement Learning for Efficient Coordinated Spatial Exploration
本文提出混合信念-强化学习框架，通过双通道知识转移提升多代理空间探索效率，实验显示在无线服务任务中累计奖励和收敛速度均优于基线。
2026-10-21 cs.LG
An unsupervised approach for semantic place annotation of trajectories based on the prior probability
Peking University（北京大学）；Technical University of Munich（慕尼黑工业大学）
语义位置标注可以提供个性化的语义，这在轨迹数据采掘领域有很大的帮助。大多数现有的方法依赖于注释或外部数据，并且需要在区域改变后重新训练，从而阻止了它们的大规模应用。在这里，我们提出了一个无监督的方法表示为UPAPP的轨迹使用时空信息的语义位置注释。具体采用贝叶斯准则将候选地点的时空概率分解为空间概率、持续时间概率和访问时间概率。随后采用ROI和POI数据中的空间信息来计算空间概率。在时间概率方面，采用词频逆文档频率加权算法对轨迹中不同地点类型的潜在访问进行统计，并生成访问时间和持续时间的先验概率。然后，候选地点的时空概率与地点类别的重要性相结合来注释访问过的地点。通过对北京709名志愿者采集的轨迹数据集进行验证，结果表明，该方法的总体准确率和平均准确率分别为0.712和0.720，这表明该方法可以在没有任何外部数据的情况下准确地注释访问过的地方。
2022-04-20 cs.IR cs.LG
Feature Engineering for Map Matching of Low-Sampling-Rate GPS Trajectories in Road Network
Technische Universität München（慕尼黑工业大学）
GPS轨迹的地图匹配从一系列的噪声观测服务于恢复的道路网络中的原始路线的目的。在这项正在进行的工作中，我们试图分享我们的经验，在空间数据库中的功能建设报告我们正在进行的实验中的特征提取条件随机场（CRF）的地图匹配。我们的初步结果是从现实世界的出租车GPS轨迹中获得的。
2014-09-02 cs.LG stat.ML
An LSTM Network for Highway Trajectory Prediction
MINES ParisTech（巴黎高等矿业学院）；PSL Research University（巴黎文理研究大学）；École des Ponts ParisTech（巴黎高科桥路学校）
为了在公共道路上安全高效地行驶，自动驾驶汽车必须了解周围车辆的意图，并相应地调整自己的行为。如果有经验的人类驾驶员通常擅长推断未来几秒钟内其他车辆的运动，那么大多数当前的高级驾驶辅助系统（ADAS）无法执行此类中期预测，并且通常仅限于紧急制动等高可能性情况。在这篇文章中，我们通过引入长短期记忆（LSTM）神经网络，向一致的轨迹预测迈出了第一步，该网络能够准确预测高速公路上车辆的未来纵向和横向轨迹。与之前专注于从少数驾驶员收集的少量轨迹的工作不同，我们的网络是在NGSIM US-101数据集上训练和验证的，该数据集包含各种交通密度下总共800小时的记录轨迹，代表了6000多名驾驶员。
2018-01-24 cs.LG cs.RO
Succinct Trit-array Trie for Scalable Trajectory Similarity Search
RIKEN AIP（理化学研究所先进智能项目中心）；Kyoto University（京都大学）；Nagoya University（名古屋大学）
大量的空间轨迹数据集代表了移动对象的多样性的移动性是无处不在的研究和工业。大量轨迹的相似性搜索对于将这些数据集转化为知识是必不可少的。局部敏感哈希（LSH）是一种快速相似性搜索的强大技术。最近的方法采用LSH，并试图实现一个有效的相似性搜索的轨迹，然而，这些方法是低效的搜索时间和内存应用于海量数据集时。为了解决这个问题，我们提出了一个可扩展的方法，利用LSH的轨迹相似性搜索的索引简洁的三字符数组特里（tSTAT）。tSTAT在称为trie的树数据结构上快速执行搜索。我们还提出了两种新的技术，使显着提高内存效率的tSTAT。一个是节点减少技术，基本上省略了冗余的trie节点，同时保持时间性能。另一种是利用简洁数据结构背后的思想（即，支持快速数据操作的压缩数据结构）。我们通过实验测试tSTAT从大量轨迹集合中检索查询的相似轨迹的能力，并表明tSTAT与最先进的相似性搜索方法相比表现出色。
2020-09-21 cs.DB cs.DS cs.LG
DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model
Southern University of Science and Technology（南方科技大学）；City University of Hong Kong（香港城市大学）；University of York（约克大学）
针对GPS轨迹隐私问题，提出时空扩散概率模型DiffTraj，通过反向去噪过程从白噪声重建轨迹，结合Traj-UNet准确估计噪声，生成高保真轨迹并支持下游任务。
2023-10-24 cs.LG
JFP: Joint Future Prediction with Interactive Multi-Agent Modeling for Autonomous Driving
Waymo（Waymo公司）
我们提出了JFP，一个联合未来预测模型，可以学习生成准确和一致的多智能体未来轨迹。对于这项任务，已经提出了许多不同的方法来捕获模型编码部分的社会交互，然而，在解码器和输出阶段中表示交互的关注要少得多。结果，预测的轨迹不一定彼此一致，并且经常导致不切实际的轨迹重叠。相比之下，我们提出了一个端到端的可训练模型，它直接学习结构化图形模型中的代理对之间的交互，以生成一致的未来轨迹。它在Waymo Open Motion Dataset（WOMD）上为交互式设置设置了新的最先进的结果。我们还研究了一个更复杂的多智能体设置为WOMD和一个更大的内部数据集，我们的方法显着提高了轨迹重叠指标，同时获得同等或更好的性能单智能体轨迹指标。
2022-12-16 cs.LG cs.MA cs.RO
A short letter on the dot product between rotated Fourier transforms
Applied Brain Research Inc.（应用大脑研究公司）
空间语义指针（SSP）最近成为表示和转换连续空间的强大工具，在认知建模和深度学习中有许多应用。SSP的基础是表示$n$维空间中不同点的向量之间的“相似性”的概念--通常是傅立叶域中具有旋转单位长度复系数的向量之间的点积或余弦相似性。相似性度量先前已被证明是欧几里德距离的高斯函数。与此猜想相反，我们推导出一个简单的三角公式，空间位移的相似性，并证明，在傅立叶系数是均匀的i.i.d.的情况下，期望的相似性是归一化sinc函数的乘积：$\prod_{k=1}^{n} \operatorname{sinc} \left( a_k \right)$，其中$\mathbf{a} \in \mathbb{R}^n$是两个$n$维点之间的空间位移。这在空间和SSP的相似性之间建立了直接联系，这反过来又有助于支持一个有用的数学框架，用于构建操纵空间结构的神经网络。
2020-07-24 cs.LG q-bio.NC
