个体轨迹的联合时空表示学习
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。
原文中文,约300字,阅读约需1分钟。
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。