ترجمه فارسی مقاله PTrajM: یادگیری مسیر کارآمد و غنی از معنا با مسیر از پیش آموزش‌دیده – Mamba

چکیده

Vehicle trajectories provide crucial movement information for various real-world applications. To better utilize vehicle trajectories, it is essential to develop a trajectory learning approach that can effectively and efficiently extract rich semantic information, including movement behavior and travel purposes, to support accurate downstream applications. However, creating such an approach presents two significant challenges. First, movement behavior are inherently spatio-temporally continuous, making them difficult to extract efficiently from irregular and discrete trajectory points. Second, travel purposes are related to the functionalities of areas and road segments traversed by vehicles. These functionalities are not available from the raw spatio-temporal trajectory features and are hard to extract directly from complex textual features associated with these areas and road segments. To address these challenges, we propose PTrajM, a novel method capable of efficient and semantic-rich vehicle trajectory learning. To support efficient modeling of movement behavior, we introduce Trajectory-Mamba as the learnable model of PTrajM, which effectively extracts continuous movement behavior while being more computationally efficient than existing structures. To facilitate efficient extraction of travel purposes, we propose a travel purpose-aware pre-training procedure, which enables PTrajM to discern the travel purposes of trajectories without additional computational resources during its embedding process. Extensive experiments on two real-world datasets and comparisons with several state-of-the-art trajectory learning methods demonstrate the effectiveness of PTrajM. Code is available at https://anonymous.4open.science/r/PTrajM-C973.

چکیده به فارسی (ترجمه ماشینی)

مسیرهای وسیله نقلیه اطلاعات حرکتی مهم را برای برنامه های مختلف در دنیای واقعی ارائه می دهد.برای استفاده بهتر از مسیرهای وسیله نقلیه ، تهیه یک رویکرد یادگیری مسیر ضروری است که می تواند به طور مؤثر و کارآمد اطلاعات معنایی غنی ، از جمله رفتار حرکتی و اهداف مسافرتی را برای پشتیبانی از برنامه های دقیق پایین دست استخراج کند.با این حال ، ایجاد چنین رویکردی دو چالش مهم را نشان می دهد.اول ، رفتار حرکات ذاتاً فضا-زمانی مداوم است و استخراج کارآمد آنها از نقاط نامنظم و گسسته را دشوار می کند.دوم ، اهداف مسافرتی مربوط به ویژگی های مناطق و بخش های جاده ای است که توسط وسایل نقلیه عبور می کنند.این ویژگی ها از ویژگی های مسیر خام و زمانی در دسترس نیست و به سختی می توان از ویژگی های پیچیده متنی مرتبط با این مناطق و بخش های جاده ای استخراج کرد.برای پرداختن به این چالش ها ، ما PTRAJM را پیشنهاد می کنیم ، یک روش جدید که قادر به یادگیری مسیر کارآمد و معنایی است.برای پشتیبانی از مدل سازی کارآمد از رفتار حرکات ، ما مسیر-مبا را به عنوان الگوی یادگیری PTRAJM معرفی می کنیم ، که به طور موثری رفتار حرکتی مداوم را در حالی که از نظر محاسباتی کارآمدتر از ساختارهای موجود است ، استخراج می کند.برای تسهیل استخراج کارآمد از اهداف سفر ، ما یک روش پیش از آموزش آگاه از سفر را پیشنهاد می کنیم ، که PTRAJM را قادر می سازد اهداف سفر مسیرها را بدون منابع محاسباتی اضافی در طی فرآیند تعبیه خود تشخیص دهد.آزمایش های گسترده در دو مجموعه داده و مقایسه با چندین روش یادگیری مسیر پیشرفته ، اثربخشی PTRAJM را نشان می دهد.کد در https://anonymous.4open.science/r/ptrajm-c973 در دسترس است.