Micro-Macro Spatial-Temporal Graph-based Encoder-Decoder for Map-Constrained Trajectory Recovery

在稀疏轨迹中恢复中间缺失的GPS点，同时遵循道路网络的约束，可以为智能交通系统中用户的移动行为提供深入的洞察。尽管最近的研究已经证明了通过端到端方式实现地图约束轨迹恢复的优势，但仍面临两个重大挑战。首先，现有方法大多是基于序列的模型，很难全面捕捉单个轨迹的微观语义，包括每个GPS点的信息和两个GPS点之间的移动。其次，现有方法忽略了宏观语义的影响，即道路条件和一组轨迹反映的人们共享的出行偏好。为了解决上述挑战，我们提出了一种基于微观-宏观时空图的编码器-解码器（MM-STGED）。具体而言，我们将每个轨迹建模为一个图来有效描述轨迹的微观语义，并设计了一种新颖的消息传递机制来学习轨迹表示。此外，我们提取轨迹的宏观语义，并将其进一步纳入到设计良好的基于图的解码器中，以指导轨迹恢复。在三个不同采样间隔分别从两个真实轨迹数据集构建的稀疏轨迹上进行的大量实验表明，我们提出的模型具有优越性。

本论文旨在解决在智能交通系统中，根据道路网络约束恢复稀疏轨迹中缺失的中间GPS点的问题，同时考虑轨迹的微观语义和宏观语义。

论文提出了一种基于微观-宏观空间-时间图的编码器-解码器模型（MM-STGED），用于恢复缺失的GPS点。该模型将每个轨迹建模为一个图，以有效描述轨迹的微观语义，并设计了一种新的消息传递机制来学习轨迹表示。同时，将轨迹的宏观语义提取出来，并将其纳入一个精心设计的基于图的解码器中，以指导轨迹恢复。

论文在两个真实世界的轨迹数据集上进行了大量实验，证明了所提出模型的优越性。实验结果表明，MM-STGED模型能够更好地恢复缺失的GPS点，并且对轨迹的微观和宏观语义进行了全面的捕捉。此外，论文还提供了开源代码，方便其他研究者进行复现和进一步研究。

最近的相关研究包括使用端到端方法实现轨迹恢复的方法，但这些方法大多是基于序列的模型，难以全面捕捉轨迹的微观语义。此外，其他研究还关注了轨迹的宏观语义，但忽略了轨迹的微观语义。