BriefGPT - AI 论文速递
·
个体轨迹的联合时空表示学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种ST-GraphRL方法，用于编码可学习的空间-时间依赖性到轨迹表示中。该方法在预测移动空间-时间分布和保持轨迹相似性方面优于基准模型，并能理解潜在空间-时间模式。同时，该方法具有可迁移性。
🎯
关键要点
- 本研究提出了一种空间-时间联合表示学习方法 (ST-GraphRL)。
- ST-GraphRL用于将可学习的空间-时间依赖性编码到轨迹表示中。
- 该方法在预测移动空间-时间分布方面优于所有基准模型。
- ST-GraphRL在保持轨迹相似性方面表现出色。
- 该方法能够理解潜在的空间-时间模式。
- ST-GraphRL具有可迁移性，适用于广泛的地理空间数据表示和GeoFMs开发。
🏷️
标签
➡️
