Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond

本文介绍了轨迹计算（Trajectory computing）这一重要领域，包括轨迹数据管理和挖掘，由于其在位置服务、城市交通和公共安全等各种实际应用中起着至关重要的作用，因此受到广泛关注。传统方法注重简单的时空特征，面临着复杂计算、有限可扩展性和不足的适应性等挑战。本文提出了深度学习在轨迹计算中的发展和最新进展的全面综述（DL4Traj）。首先定义了轨迹数据，并提供了广泛使用的深度学习模型的简要概述。系统地探讨了深度学习在轨迹管理（预处理、存储、分析和可视化）和挖掘（轨迹相关预测、轨迹相关推荐、轨迹分类、旅行时间估计、异常检测和移动生成）中的应用。值得注意的是，本文还概述了最近大型语言模型（LLMs）的进展，这些模型有潜力增强轨迹计算。此外，本文总结了应用场景、公共数据集和工具包。最后，我们概述了DL4Traj研究中的当前挑战，并提出了未来的方向。相关论文和开源资源已经整理并持续更新在DL4Traj Repo中：\href{https://github.com/yoshall/Awesome-Trajectory-Computing}{DL4Traj Repo}。

深度学习在轨迹计算中的应用（DL4Traj）

本文系统地探索了深度学习在轨迹管理（预处理、存储、分析和可视化）和挖掘（轨迹相关预测、轨迹相关推荐、轨迹分类、旅行时间估计、异常检测和移动生成）中的应用。同时，介绍了大语言模型（LLMs）在轨迹计算中的最新进展。

本文总结了公共数据集和工具包，并提出了当前DL4Traj研究面临的挑战和未来方向。此外，还提供了相关论文和开源资源的链接。

最近的相关研究包括： 1. Li, Y., Zheng, Y., & Chen, L. (2021). A survey on trajectory data mining: techniques and applications. arXiv preprint arXiv:2104.02734. 2. Zheng, Y., Li, Q., Chen, L., & Xie, X. (2020). Trajectory data mining: an overview. ACM Transactions on Intelligent Systems and Technology (TIST), 11(2), 1-39. 3. Zhang, J., Zheng, Y., & Qi, Y. (2021). A survey on trajectory similarity search. arXiv preprint arXiv:2103.10425.