UniTE: A Survey and Unified Pipeline for Pre-training ST Trajectory Embeddings

时空(ST)轨迹是时间戳位置的序列，可以进行各种分析，从而实现重要的现实世界应用。常见的做法是在进一步分析之前将轨迹映射到向量，称为嵌入。因此，嵌入的质量非常重要。利用未标记的轨迹进行训练通用嵌入的预训练嵌入方法已经显示出在不同任务中具有良好的适用性，因此受到了相当大的关注。然而，该主题的研究进展面临两个关键挑战：缺乏现有方法的全面概述，导致一些相关方法未被充分认识，以及缺乏统一的流程，使新方法的开发和方法的分析变得复杂。为了克服这些障碍并推进轨迹嵌入的预训练领域，我们提出了UniTE，这是一个调查和统一流程的综述。通过这样做，我们提供了一个预训练轨迹嵌入的现有方法的全面列表，其中包括明确或隐含地采用预训练技术的方法。此外，我们提供了一个统一且模块化的流程，具有公开可用的底层代码，简化了构建和评估预训练轨迹嵌入方法的过程。此外，我们使用所提出的流程对真实世界数据集进行了一些实验结果的选择。

本文旨在解决轨迹嵌入预训练领域中存在的两个主要问题：现有方法的缺乏全面性和统一的流程

本文提出了UniTE，一个针对轨迹嵌入预训练的调查和统一流程。UniTE提供了现有方法的全面列表，并提供了一个统一的模块化流程，使得构建和评估轨迹嵌入预训练方法变得更加简单。

本文提供了一个公开的代码库，用于构建和评估轨迹嵌入预训练方法。此外，本文还在真实数据集上进行了实验，并提供了实验结果。值得关注的是，UniTE提供了一个统一的框架，可以用于设计新的轨迹嵌入预训练方法。

最近的相关研究包括：'Learning Trajectory Representations with Encoder-Decoder Models for Temporal Prediction in Traffic Networks'、'DeepMove: Predicting Human Mobility with Attentional Recurrent Networks'、'Representation Learning for Trajectory Data: An Overview'等。