Page 237 - 《软件学报》2021年第5期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
Journal of Software,2021,32(5):1461−1479 [doi: 10.13328/j.cnki.jos.006210] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

∗
轨迹表示学习技术研究进展

1
2
1
曹翰林 , 唐海娜 , 王 飞 , 徐勇军 2
1
(中国科学院大学 人工智能学院,北京 100049)
2
(中国科学院 计算技术研究所,北京 100190)
通讯作者: 唐海娜, E-mail: hntang@ucas.ac.cn

摘 要: 基于地理位置信息的应用和服务的迅速发展,对轨迹数据挖掘提出了新的需求和挑战.原始轨迹数据通
常是由坐标-时间戳元组构成的有序序列,而现有的大多数数据分析算法均要求输入数据位于向量空间中.因此,为
了将轨迹数据从变长的坐标-时间戳序列转化成定长的向量表示且保持原有的特征,对轨迹数据进行有效的表示是
十分重要且必要的一步.传统的轨迹表示方法大多是基于人工设计特征,通常仅将轨迹表示作为数据预处理的一部
分.随着深度学习的兴起,这种从大规模数据中学习的能力使得基于深度学习的轨迹表示方法相比于传统方法取得
了巨大的效果提升,并赋予了轨迹表示更多的可能性.对轨迹表示领域中的研究进展进行了全面的总结,将轨迹表示
按照研究对象的不同尺度,归纳为对轨迹单元的表示和对整条轨迹的表示两大类别,并在每种类别下对不同原理的
方法进行了对比分析.其中重点分析了基于轨迹点的表示方法,也对近年来广泛使用的基于神经网络的轨迹表示的
研究成果做了系统的归类.此外,介绍了基于轨迹表示的关键应用,最后对轨迹表示领域的未来研究方向进行了
展望.
关键词: 轨迹数据挖掘;轨迹表示;时空数据挖掘
中图法分类号: TP181

中文引用格式: 曹翰林,唐海娜,王飞,徐勇军.轨迹表示学习技术研究进展.软件学报,2021,32(5):1461−1479. http://www.jos.
org.cn/1000-9825/6210.htm
英文引用格式: Cao HL, Tang HN, Wang F, Xu YJ. Survey on trajectory representation learning techniques. Ruan Jian Xue Bao/
Journal of Software, 2021,32(5):1461−1479 (in Chinese). http://www.jos.org.cn/1000-9825/6210.htm
Survey on Trajectory Representation Learning Techniques

2
1
1
CAO Han-Lin , TANG Hai-Na , WANG Fei , XU Yong-Jun 2
1
(School of Artificial Intelligence, University of Chinese Academy of Science, Beijing 100049, China)
2
(Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China)
Abstract: The rapid development of location-aware applications and services poses new challenges for trajectory data mining. The raw
trajectory data usually consist of ordered sequences of coordinate-timestamp tuple, while many algorithms widely used for data analysis
require input data to be in vector space. Therefore, it is an important and necessary step to effectively represent trajectory data from
variable-length coordinate-timestamp sequence to a fixed-length vector that maintains the spatial-temporal characteristics of the
movement. Most conventional trajectory representation methods are based on feature engineering, in which trajectory representation is
usually considered as part of the data preprocessing. With the prevalence of deep learning, the ability of learning from large-scale data
endows deep learning-based methods for trajectory representation with more potential and vitality, which achieved better performance
compared to traditional methods. This paper provides a comprehensive review of recent progress in trajectory representation and
summarizes the trajectory representation methods into two categories according to the different scales: trajectory unit representation and

∗ 基金项目: 国家自然科学基金(52071312); 之江实验室开放课题(2019KE0AB03)
Foundation item: National Natural Science Foundation of China (52071312); Open Fund of Zhejiang Lab (2019KE0AB03)
收稿时间: 2020-08-06; 修改时间: 2020-10-05; 采用时间: 2020-11-19; jos 在线出版时间: 2021-01-15