主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
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):0
轨迹表示学习技术研究进展
Trajectory Representation Learning Techniques: A Literature Review
投稿时间:2020-08-06  修订日期:2020-10-05
DOI:10.13328/j.cnki.jos.006210
中文关键词:  轨迹数据挖掘  轨迹表示  时空数据挖掘
英文关键词:trajectory data mining  trajectory representation  spatial-temporal data mining
基金项目:国家自然科学基金(52071312);之江实验室开放课题(2019KE0AB03)
作者单位E-mail
曹翰林 中国科学院大学 人工智能学院, 北京 100864  
唐海娜 中国科学院大学 人工智能学院, 北京 100864 hntang@ucas.ac.cn 
王飞 中国科学院 计算技术研究所, 北京 100190  
徐勇军 中国科学院 计算技术研究所, 北京 100190  
摘要点击次数: 380
全文下载次数: 143
中文摘要:
      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组成,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较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.本文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表示的关键方法,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.此外本文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.
英文摘要:
      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. In this paper, we provide a comprehensive review of recent progress in trajectory representation and summarize the trajectory representation methods into two categories according to the different scales:trajectory unit representation and entire trajectory representation. In each category, the methods of different principles are compared and analyzed. Among them, we emphasize the methods based on trajectory point, and also the widely used methods based on neural networks are systematically classified. Besides, we introduce applications related to trajectory representation under each category. Finally, we point out future research directions in the field of trajectory representation.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利