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。发表于：。本研究提出了一种空间 - 时间联合表示学习方法 (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 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间 - 时间模式。同时，该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。
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。
