基于属性表示学习的轨迹挖掘关键技术研究

The wide spread use of positioning device has given rise to a vast body of spatio-temporal trajectory data. Mining human mobility patterns from such data has important applications in a variety of areas, including intelligent transportation systems, urban planning, environmental protection, etc. Trajectory attribute representation learning, i.e., obtaining the low-dimensional real-value vectors of trajectory attributes through learning, forms the basis of many trajectory-based applications, e.g., location prediction and user profiling. This project aims to answer the call for trajectory attribute representation learning, and works on four related issues: 1) research on the interpretability of trajectory attribute representation; 2) attribute representation learning via modeling the sequential features of trajectories deeply; 3) attribute representation learning via integrating the global context and the local context of trajectories; 4) developing a series of applications based on trajectory attribute representation learning. Novel methods developed from this project will help provide a better understanding of spatio-temporal trajectory data, and further boost the use of trajectory mining in smart city and location based social networks.

随着位置感知设备的普及应用，近年来出现了越来越多的时空轨迹数据，对这些数据进行挖掘，是智能交通、城市规划、环境保护等领域的重要需求。轨迹属性表示学习，即通过学习的方式得到轨迹属性的低维实值向量表示，是许多轨迹挖掘任务（如位置预测、用户画像等）的基础步骤。为此，本项目将围绕轨迹属性表示学习这一核心问题，展开四方面的研究：1）轨迹属性表示的可解释性研究；2）深度挖掘轨迹序列特征的属性表示学习；3）融合轨迹全局上下文和局部上下文的属性表示学习；4）基于轨迹属性表示学习的深度应用。本项目的研究将为时空轨迹的深入分析和理解提供新的方法和技术，满足来自智慧城市、移动社交网络等领域的应用需求。

随着各种定位技术的普及和移动互联网的蓬勃发展，用户轨迹数据的获取变得越来越便捷。轨迹数据有其特性，如包含空间信息、时间信息、路网拓扑信息、语义信息等，无法简单地运用现有的文本处理方法（如BOW模型、Bert模型）对其结构化。为此，本项目主要研究时空轨迹结构化表示方法，即利用轨迹数据中的时空序列和语义知识将其转化为针对数据挖掘任务的结构化表示形式。具体来说，本项目针对轨迹数据特性，充分挖掘轨迹序列信息、位置语义信息、时空信息等，构建挖掘轨迹全局和局部上下文的协同学习模型、轨迹语义表示学习模型、可解释的轨迹表示学习模型、轨迹序列特征表示学习模型等，通过无监督学习生成固定维度的特征向量，作为一种规范化的特征表示，应用到轨迹位置预测、兴趣点语义查询等任务中。相关工作发表在数据挖掘领域顶级期刊TKDE、TOIS、TITS、TIST等上。这些工作在时空轨迹表示学习领域受到了国内外同行的高度认可，对该领域的相关工作具有很好的借鉴和启发意义。