Spatio-Temporal Trajectory Similarity Learning in Road Networks（KDD2022）

基于深度学习的轨迹相似度计算比传统的相似度计算具有更高的效率和适应性。然而，现有的基于学习的轨迹相似性学习解决方案优先考虑空间相似性而不是时间相似性，使得它们在时间感知分析中不是最优的。为此，提出ST2Vec，一种基于表示学习的解决方案，考虑轨迹之间的细粒度时空关系，以实现路网中的时空相似性计算。ST2Vec包含两个步骤:(i)空间和时间建模，编码轨迹的空间和时间信息，其中首次提出通用的时间建模模块;(ii)时空协同注意力融合，其中设计了两种融合策略，以生成统一的轨迹时空嵌入。进一步，在三元组损失的指导下，ST2Vec将课程学习应用于模型优化，以提高收敛性和有效性。实验研究表明，ST2Vec在有效性和效率方面大大优于最先进的竞争对手，同时表现出低参数敏感性和良好的模型鲁棒性。此外，涉及相似性的案例研究，包括top-𝑘查询和DBSCAN聚类，提供了进一步了解ST2Vec的能力。

 

 

 5.3 Spatio-Temporal Co-attention Fusion (STCF)

然后将提取的轨迹空间和时间特征进行融合;本文提出一种时空协同注意力融合模块，具有两种不同目的的融合策略。图1显示了使用UF策略的ST2Vec。