EN中文

Journal of Geo-information Science >

2025 , Vol. 27 >Issue 7: 1520 - 1531

DOI: https://doi.org/10.12082/dqxxkx.2025.250196

From Specialized Trajectory Models to Trajectory Foundation Models: Advancements and Prospects

  • LIU Kang , *
Expand
  • Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China
*LIU Kang, E-mail:

Received date: 2025-04-25

  Revised date: 2025-06-27

  Online published: 2025-07-07

Supported by

National Natural Science Foundation of China(42271474)

Guangdong Basic and Applied Basic Research Foundation(2024A1515012020)

Fold

Abstract

[Significance] Human mobility is closely tied to transportation, infectious disease spread, and public safety, making trajectory analysis and modeling a long-standing research focus. While numerous specialized trajectory models, such as interpolation, prediction, and classification models, have been developed using machine learning or deep learning, most are task-specific and trained on localized datasets, limiting their generalizability across tasks, regions, or trajectory data. Recent advances in generative AI have demonstrated the potential of foundation models in NLP and computer vision, motivating the need for a trajectory foundation model capable of learning universal patterns from large-scale mobility data to support diverse downstream applications. [Methods] This paper first reviews the research progress of various specialized trajectory models. It then categorizes trajectory modeling tasks into conventional tasks (e.g., trajectory similarity computation, interpolation, prediction, and classification) and generation task (i.e., trajectory generation), and elaborates on recent advances in trajectory foundation models for these two types of tasks. [Conclusions] The paper argues that trajectory foundation models for conventional tasks should enhance not only task generalization but also spatial and data generalization. Trajectory foundation models for generation task must address the challenge of spatial generalization, enabling the generation of large-scale trajectory data "from scratch" based on easily obtainable macro-level urban data or features. Furthermore, integrating trajectory data with other data types (e.g., text, maps, and other geospatial data) to construct multimodal geographic foundation models, as well as developing application-oriented trajectory foundation models for fields such as transportation, public health, and public safety, are promising research directions worthy of future exploration.

Key words： trajectory foundation model; trajectory modeling; trajectory generation; spatial generalization; task generalization; data generalization; robustness

Cite this article

LIU Kang . From Specialized Trajectory Models to Trajectory Foundation Models: Advancements and Prospects[J]. Journal of Geo-information Science, 2025 , 27(7) : 1520 -1531 . DOI: 10.12082/dqxxkx.2025.250196

1 引言

人类个体在复杂城市空间中的移动行为及过程与传染病传播、交通拥堵、公共安全、城市规划等息息相关[1-5]。例如，对车辆移动轨迹进行分析有助于识别交通拥堵关键节点，从而进行交通优化控制[6]；融合大规模个体移动过程构建空间显式的传染病传播模型，是传染病精细化模拟与预测的重要手段[7-8]。特别是近十多年来，传感器、移动定位、移动互联网的飞速发展使得采集轨迹大数据成为可能，轨迹数据挖掘与建模成为城市计算领域持续的研究热点[9-11]。
目前，学界与业界已发展了大量以机器学习/深度学习为主流的轨迹专门模型，如轨迹插值模型、轨迹预测模型、轨迹分类模型、轨迹生成模型等[12-15]。然而，这些模型的结构与输入输出大多针对专门任务设计，难以泛化应用于其他任务（即不具备任务泛化能力）；并且，地理异质性的存在使得基于局部区域数据训练的模型难以直接泛化应用于其他区域，需要依赖目标区域的数据重新训练（即不具备空间泛化能力）。此外，这些模型的设计与训练也大多基于单一轨迹数据（如采样间隔30 s左右的车辆GNSS轨迹），难以以同样效果迁移用于其他类型（如手机信令轨迹或签到轨迹）、长度、采样间隔和噪声程度的轨迹数据（即不具备数据泛化能力）。
近年来，随着生成式人工智能发展，“预训练-适配（Pre-Training and Adaption）”范式成为现代深度学习广泛应用的训练策略，尤其在自然语言处理、计算机视觉等领域得到了显著应用。预训练是指以任务无关（Task-Agnostic）方式在一个大规模、一般性的无标签数据集上训练模型，使模型捕捉到数据中的基本模式、规律或知识，学习数据的高质量特征表示（即表征向量），从而可适配多种下游任务。当前所谓“大模型”或“基础模型”均是指这类具备通用泛化能力的预训练模型。在这一背景与趋势下，构建“轨迹基础模型（Trajectory Foundation Model）”，使其学习到大规模轨迹数据的通用特征，以泛化应用于不同区域、多种下游任务和各种轨迹数据，成为轨迹建模的迫切需求。
如图1所示，“面向常规任务的轨迹基础模型”可遵循上述“预训练-适配”范式，将给定轨迹转换为通用表征向量，再进一步适配轨迹相似性计算、插值、预测、分类等下游任务。这类基础模型同时强调其任务泛化、空间泛化与数据泛化能力。然而，轨迹生成这一特殊任务通常面向真实数据难获取的城市，没有给定轨迹作为输入，而是旨在通过模型“从无到有”为任意目标城市生成大规模合成轨迹数据集。考虑到轨迹生成的重要意义和特殊之处[15]，以及这类模型所存在的空间泛化挑战，本文认为，有必要单独设计 “面向生成任务的轨迹基础模型”，强调其在轨迹生成这一任务上的空间泛化能力。
图1 轨迹专门模型与轨迹基础模型研究框架

Fig. 1 Research framework of specialized trajectory models and trajectory foundation models

为对轨迹建模主题进行系统综述，本文首先回顾了过去多年轨迹专门模型的发展脉络，然后介绍了当前面向常规任务与面向生成任务的轨迹基础模型研究进展，指出了其面临挑战并对未来研究进行了展望。

2 轨迹专门模型

轨迹专门模型指面向特定轨迹建模任务的模型。常见的轨迹专门模型包括轨迹相似性计算模型、轨迹插值模型、轨迹预测模型、轨迹分类模型和轨迹生成模型。由于相关文献众多，本部分着重梳理各类模型的分类体系与发展脉络，并辅以典型案例。

2.1 轨迹相似性计算

轨迹相似性计算（Trajectory Similarity Computation）是诸多轨迹应用（如相似轨迹查询、轨迹聚类等）的基础。现有的轨迹相似性计算方法主要分为两类：基于测度的方法（Metric-based Methods）和基于（表征）学习的方法（Learning-based Methods）。基于测度的方法通过进行轨迹点对匹配并按某种方式累加轨迹点对之间的距离来计算轨迹相似性[16]。经典方法包括欧式距离[17]、动态时间规整[18]、编辑距离法[19-20]、最长公共子序列法[21]等。这类方法受轨迹采样率和噪声的影响较大，且计算复杂度高、效率低。基于学习的方法指构建基于深度学习的轨迹编码器，从而将轨迹转化成表征向量，通过计算向量相似性来度量轨迹相似性[22]。用于轨迹相似性计算的轨迹编码器通常以监督学习方式训练，将以基于测度的方法（如动态时间规整）所度量的两两轨迹之间的相似度作为“真值”标签或监督信号[23-26]。基于学习的方法相比基于测度的方法可大幅提升计算效率，且可降低轨迹采样率和噪声的影响。

2.2 轨迹插值

轨迹插值（Trajectory Interpolation）在有些文献中也称为轨迹补全（Trajectory Imputation）、轨迹恢复（Trajectory Recovery）或轨迹重构（Trajectory Reconstruction），指通过插值等手段，将稀疏或缺失轨迹尽量还原至与真实轨迹一致。较为简单粗暴的处理方法是将单条轨迹视为经纬度二维时间序列，使用平滑滤波、线性插值等常规插值手段来填补缺失值[27]。不过，这种方法效果一般，尤其对于稀疏程度较高的轨迹。当前更为常见的是基于深度学习模型，利用RNN、注意力机制等来捕捉轨迹时空依赖关系。例如，为实现稀疏轨迹补全， Xia等[28]采用多个注意力机制神经网络捕捉轨迹数据中蕴含的周期性规律和时空依赖关系。 Ren等[29]提出路网约束的轨迹恢复框架MTrajRec，采用多任务Seq2Seq学习架构，通过端到端方式同步实现轨迹细粒度点恢复与地图匹配。 Si等[30]基于BERT架构，提出一种兼具时空双重优化机制的轨迹恢复方法TrajBERT。 Deng等[31]结合轨迹的全局和局部移动模式，构建了基于图卷积网络（GCN）的轨迹恢复模型。

2.3 轨迹预测

轨迹预测指给定轨迹的前序轨迹点，预测其下一个或若干个轨迹点。如轨迹点被定义为划分好的空间单元，则建模为分类问题；如轨迹点被定义为地理坐标，则建模为回归问题。马尔可夫模型[32]是早期比较经典的轨迹预测方法，但由于其利用历史轨迹信息的能力有限，导致效果上限不高。经典的机器学习模型需要人工定义和选择特征，通常基于历史轨迹序列以及当前轨迹点的时空特征进行下一个轨迹点预测[33]。当前轨迹预测主要基于深度学习模型，多利用RNN及其变体（LSTM和GRU）、Transformer、注意力机制等模块来捕捉轨迹的序列模式特征，以建模轨迹点之间的转移概率分布[34-35]。此外，现有研究还通过全连接层（FC）、卷积神经网络（CNN）等各类神经网络模块来融入空间、时间、外部变量（如天气）和个体偏好等信息，以提升轨迹预测的准确性。例如， Xue等[36]引入了Transformer架构作为时空特征提取器来处理多种上下文（时间、语义、社交和地理）对移动预测的影响，从而实现更精准的轨迹预测。 Yao等[37]提出GEMA-BiLSTM模型，使用词向量模型从大量轨迹序列上下文中提取位置表征，使用TF-IDF从POI数据中提取位置语义，在此基础上通过双向LSTM和多层注意力模块来建模轨迹序列的位置-时间-语义信息，从而实现下一个轨迹点预测。Zhang等[38]基于LSTM和时空评分机制构建出行目的地预测模型，融合当前行程特征与历史活动链实现目的地坐标的精准预测。

2.4 轨迹分类

轨迹分类的类别主要包括移动个体类型、交通方式、轨迹-用户关联等。早期的轨迹分类主要集中于需要人工定义特征的机器学习模型。例如，Zheng等[39]和Dodge等[40]从局部和全局视角提取距离和航向变化率等特征，通过支持向量机、随机森林等分类器构建轨迹分类模型。近年来的轨迹分类多基于深度学习模型。例如，Kontopoulos 等[41]将轨迹转换为栅格图像，将问题转化为图像分类任务，利用CNN实现轨迹分类。Liang等[42]针对轨迹点序列的非均匀时空间隔与长轨迹的高计算成本，提出一种新型的Transformer架构用于交通方式分类，在效率和准确性之间达到了平衡。
总结而言，对于轨迹相似性计算、插值、预测、分类等常规任务，相关模型发展脉络一般从传统方法发展到机器学习模型，再发展到深度学习模型。近些年来，相关深度学习模型层出不穷，研究者致力于通过精巧设计的神经网络模块捕捉轨迹内部时空依赖关系，并融入更多对建模可能有影响的外部因素。尽管这些努力可以提升具体任务和特定场景下的轨迹建模性能，但也提升了模型复杂度和使用门槛，难以泛化应用于不同任务、不同城市乃至不同类型的轨迹数据集。

2.5 轨迹生成

轨迹生成任务近年来颇受关注。这主要是由于真实轨迹数据因涉及个人隐私、存在数据安全隐患，在实际中的可得可用性颇为受限。一种可行的解决方案是开发轨迹生成模型，使其生成在统计特性上与真实数据高度一致、在实际应用中可替代真实数据的合成轨迹。实际上，合成数据技术近年来已成为学术界和工业界的研究热点。 Nature的展望文章[43]指出，由算法生成的合成数据集在隐私安全防护和数据偏差矫正等方面展现出显著优势，并呼吁学术界与社会公众积极接纳数据生成技术及其引发的范式变革。在人类移动性研究领域， Nature Computational Science的评论文章指出，目前该领域相关研究存在的一大制约是缺乏开放标准的数据集，而合成轨迹数据是有效解决方案之一[9]。除此之外，合成轨迹数据还可以避免真实数据中普遍存在的冗余、缺失和噪声问题。从模型角度来讲，对个体移动行为刻画良好的轨迹生成模型本身具有重要价值，可以突破历史观测数据局限，对实时突发场景进行模拟和假设分析，或者对数据采集手段不足的区域进行数据补充或数据增强。
在轨迹建模领域，生成任务与其他常规任务存在显著的方法论差异。从模型算法角度，轨迹插值、预测和分类等常规任务普遍采用判别式模型（Discrimination Model），将其形式化为分类或回归问题；而轨迹生成任务则主要依赖生成式模型（Generative Model），其核心在于学习原始数据集的概率分布以合成新的数据样本。从输入输出角度，常规任务是输入给定轨迹，输出针对该轨迹的插值/预测/分类结果；生成任务是输入易获取的宏观数据和少量参数（如探索与偏好返回模型等机理模型）或随机采样噪声（如生成对抗网络、扩散模型等生成模型），输出合成轨迹。从结果评价角度，对于轨迹插值、预测等传统任务，其核心评价标准在于单条轨迹的还原精度或预测结果与“真值”的一致性；而轨迹生成任务则采用整体性评估策略，重点关注生成轨迹数据集在时空统计特征分布上与真实数据集的匹配程度。
当前轨迹生成研究可划分为两大方法论体系，即机理模型和机器学习（包括深度学习）。相关研究涉及统计物理学、计算机科学和地理信息科学。下面简要介绍两类方法的特点与发展脉络，更为详细的介绍可参考本文作者发表的综述论文[15]。
基于机理模型的轨迹生成方法主要源于统计物理学与复杂性科学，相关领域被称为“人类动力学”。研究者通过对人类行为时空特性进行实证分析和建模，旨在深入理解人类个体行为在时间和空间上呈现出的复杂性。典型研究包括：Brockmann等[44]在对美国境内100多万条美元流通数据进行统计分析的基础上，采用同时具有幂律的步长分布和幂律的停留时间分布的连续时间随机游走（CTRW）模型来模拟钞票的空间移动过程。 Song等[45]建立了探索-偏好返回模型（Exploration and Preferential Return, EPR），相比CTRW模型，该模型引入了个体探索新地点和返回熟悉地点的双重机制[46]。后续研究[47-50]在EPR模型基本架构之上，引入了更精细的个体行为特征（如访问偏好）、社会交互机制（如社交关系）及地理空间约束条件（如距离衰减效应），以提升模型对人类时空行为宏观统计规律的再现能力。在最近的研究中，本文作者团队系统分析了全球6个城市2类轨迹数据集，提出了适用于城市内部个体移动过程模拟的Urban-EPR模型，相比当前主流机理模型取得了更好的性能[51]。
基于机器学习的轨迹生成方法最初通过不断进行下一个轨迹点预测任务实现轨迹生成。例如，Song等[52]和Li等[35]将被广泛用于机器翻译、语音识别等序列生成问题的RNN、LSTM引入轨迹生成研究中。例如， Feng等[34]采用RNN建模轨迹序列中复杂的时空转移模式，并引入注意力机制模块捕捉历史轨迹序列中的多时间尺度周期性特征。然而，这类方法的预测过程存在暴露偏差（Exposure Bias）问题——在迭代预测过程中，模型将前一步预测结果作为下一步的输入，这种自回归机制会导致预测误差在时间维度上不断累积放大。当前大多研究使用生成对抗网络（Generative Adversarial Network, GAN）、变分自编码器（Variational Autoencoders, VAE）、扩散模型（Diffusion Models）等生成模型实现轨迹生成。例如，Huang等[53]提出将VAE与Seq2Seq模型相结合，构建了基于序列变分自动编码器的轨迹生成方法—SVAE。本文作者团队提出一种时空知识增强的多任务GAN模型，通过设计多时空生成任务，将轨迹内部蕴含的知识融入数据驱动方法以指导轨迹生成过程[54]。 Zhu等[55]和Chu等[56]将扩散模型应用到轨迹生成任务中，能够生成具有较高真实度的轨迹。
总结而言，机理模型的核心优势在于基于假设的个体移动行为机制，仅需依赖宏观数据（如人口分布）和少量参数即可实现个体移动过程的模拟，且模型具有较强的空间泛化能力。然而，现有研究对个体移动行为机制的建模仍显简化，导致生成轨迹不够“逼真”，在个体层面与实际偏差较大。机器学习（包括深度学习）在模型可解释性和空间泛化能力上往往存在不足，但其优势在于能够从海量数据中识别人类移动行为的复杂模式，因而生成的轨迹数据具有更好的真实性表现。为适应性发挥机器学习与机理模型的各自优势以形成互补，本文作者团队[57]提出轨迹生成方法Act2Loc，利用机器学习（Transformer）建模个体日常活动模式，以生成个体活动类型序列（如“居家-工作-其他-居家”）；进一步地，利用反映个体空间选择行为与群体空间交互作用的机理模型为序列中的各活动类型确定空间位置，从而生成个体轨迹。该方法抓住“城市居民日常活动具有显著时序模式”这一特点，可基于城市人口分布与小样本量的个体活动类型序列数据，生成大规模合成轨迹，方法易于泛化应用于不同城市。不过，不同城市的个体活动模式存在共性规律，也存在一定差异（例如，不同城市各模式占比不同），若要真正实现空间泛化，需要研究城市特征与城市内部个体活动模式之间的关系，以此为桥梁，实现给定目标城市特征的大规模轨迹生成。

3 轨迹基础模型

如引言所述，“面向常规任务的轨迹基础模型”可遵循“预训练-适配”范式，将给定轨迹转换为通用表征向量，再进一步适配轨迹相似性计算、插值、预测、分类等下游任务。而轨迹生成这一特殊任务旨在通过模型“从无到有”为任意目标城市生成大规模合成轨迹数据集，难以与常规任务统一纳入基于“预训练-适配”范式的轨迹基础模型，需要针对性构建“面向生成任务的轨迹基础模型”以强调其空间泛化能力。本文分别介绍这两类轨迹基础模型研究现状。

3.1 面向常规任务的轨迹基础模型

面向轨迹相似性计算、插值、预测、分类等常规任务的轨迹基础模型遵循“预训练-适配”范式，致力于实现任务泛化、空间泛化与数据泛化。考虑到这类模型的其核心是训练轨迹编码器以获取给定轨迹的表征向量，与轨迹表征学习的目标一致，因此本文首先介绍轨迹表征学习研究进展。
轨迹表征学习旨在构建深度学习模型，将轨迹转化成表征向量，从而进行轨迹相似性计算、插值、预测或分类等。轨迹表征学习可以分为监督学习方法和自监督学习方法。其中，监督学习方法以两两轨迹之间相似度“真值”（通常以基于测度的方法来度量）作为标签来训练轨迹编码器（轨迹特征提取器）[23-26,58]；自监督学习方法主要通过构建基于序列编解码的轨迹重构任务[59]或者基于双编码器的对比学习任务[60]来训练轨迹编码器。自监督学习方法将轨迹自身作为监督信号而无需外部标签，是目前的主流方法。具体地，在基于序列编解码的轨迹重构框架中， t2Vec[59]最为经典，其编码器和解码器均采用了RNN。通过对原始轨迹进行降采样和加噪，得到低频噪声轨迹作为编码器输入，再通过解码器重构原始轨迹，以此训练出的轨迹编码器即可获取给定轨迹的表征向量。后续研究基本沿用了类似建模框架和思路，但融入了更多轨迹建模因素。例如，Trembr[61]、 Toast[62]、 START[63]均是将原始轨迹进行地图匹配得到路径，融合了途经道路类型与通行速度等更多特征以学习轨迹表征向量。还有研究通过联合学习基于GNSS的轨迹编码器与基于路径的轨迹编码器来增强轨迹表征学习的性能[64]。在基于双编码器的对比学习框架中，相关研究利用各种轨迹数据增强手段来构造轨迹正样本对和负样本对，通过降低正样本对之间的距离损失、提高负样本对之间的距离损失来提升模型对轨迹的区分能力，从而学习轨迹表征向量[60,65-68]。
上述轨迹表征学习方法旨在训练出轨迹编码器，将输入轨迹转化为表征向量以服务于轨迹相似性计算等任务，实际上已较为接近本文所述轨迹基础模型。不过，这些方法大多针对特定轨迹类型（如路网约束下的GNSS轨迹）或特定任务（如轨迹相似性计算）设计，还强调道路类型、通行速度等外部信息的融入，限制了模型的泛化能力，尚不具备轨迹基础模型所需的通用性。
近年来，有研究者倡导并尝试构建面向常规任务的轨迹基础模型[69-70]。例如， Najjar[71]利用覆盖全日本的600多万用户的签到轨迹数据，采用BERT架构，以“轨迹点掩码-预测”任务训练得到轨迹基础模型，在轨迹预测、终点预测等下游任务中取得了较好的效果。尽管该研究通过结合多层级空间单元编码（如Geohash、 Uber's H3）和词元化技术降低了“词库”中的“位置词元”数量，但仅覆盖日本的词库仍然十分庞大，且将模型应用于其他区域仍需要使用当地数据重新训练，不具备空间泛化能力。为实现区域与任务迁移， Lin等[72]通过融合车辆轨迹点的空间、时间和POI多模态信息，捕捉跨区域的POI布局变化，增强轨迹基础模型的区域迁移能力；通过设计基于编解码的“子轨迹掩码-重构”与“轨迹点模态掩码-重构”2类预训练任务，增强轨迹基础模型的任务迁移能力。该研究将车辆轨迹点与邻近POI绑定，但车辆轨迹本质上主要受路网结构、交通状态和出行者路径选择行为的影响，而非途经POI。此外，该研究仅面向车辆轨迹这一种类型，而通用的轨迹基础模型应当具备处理多种类型轨迹的能力。Zhu等[73]从OSM上收集了覆盖全球70个国家的用户上传轨迹数据，从中筛选出车辆轨迹数据，通过设计轨迹重采样策略、基于序列编解码的“轨迹掩码-重构”预训练任务等，增强轨迹基础模型的性能以及空间与任务泛化能力。不过，该研究存在若干不足。 ① 轨迹重采样策略不但增加了数据预处理成本，且会降低模型对原始轨迹噪声、采样不均匀等缺陷的容纳能力，削弱了模型的鲁棒性。 ② 模型训练主要使用车辆轨迹，容易导致其通用性/泛化能力不足。 ③ 该研究采用基于轨迹起始点的相对坐标，相当于把所有轨迹的起始点“拉”到同一个原点，导致模型无法感知原始轨迹之间的相对地理位置。上述研究已基本建立起轨迹基础模型的架构与训练思路，但因用于训练的轨迹类型单一、训练策略设计存在缺陷等，限制了模型的泛化能力与鲁棒性。
表1整理了近年来研究者在面向常规任务的轨迹基础模型方面的相关工作，列出了模型名称、发表时间、数据类型，描述了模型的“基础”之处并评估了模型的任务、空间与数据泛化能力。可以看出，现有模型基本已具备任务泛化能力，但仍需要继续攻克空间泛化与数据泛化难题。
表1 面向常规任务的轨迹基础模型

Tab. 1 Trajectory foundation models for conventional tasks

模型 时间/年 数据类型 “基础”之处 任务泛化 空间泛化 数据泛化
Trembr[61] 2020 车辆轨迹 可用于多种下游任务 √ × ×
Toast[62] 2021 车辆轨迹 可用于多种下游任务 √ × ×
START[63] 2023 车辆轨迹 可用于多种下游任务 √ × ×
JGRM[64] 2024 车辆轨迹 可用于多种下游任务 √ × ×
LTM[71] 2023 签到轨迹 可用于多种下游任务
空间范围大：日本
数据量大：600万条用户轨迹
模型大：BERT		 √ × ×
TrajFM[72] 2024 车辆轨迹 可用于多种下游任务
可跨区域迁移		 √ √ ×
UniTraj[73] 2024 车辆轨迹 可用于多种下游任务
空间范围大：涉及70个国家		 √ √ ×

注：本文通过模型原理、实验数据和实验验证充分性评估模型的任务泛化、空间泛化与数据泛化能力。

3.2 面向生成任务的轨迹基础模型

如前文所述，除了轨迹相似性计算、轨迹插值、轨迹预测、轨迹分类等常规任务，轨迹建模中还有一类独特任务，即轨迹生成。与常规任务不同，该任务没有给定轨迹作为输入，而是意图基于易获取的宏观数据、少量参数或随机采样噪声，通过模型“从无到有”为任意目标城市生成大规模合成轨迹数据集。这就使得针对常规任务构建的轨迹基础模型无法用于轨迹生成任务。而如何针对性设计轨迹生成基础模型，使其能够为不同城市生成符合相应城市特征的大规模轨迹（即具备空间泛化能力），是极具挑战的难题。
近年来，相关研究者也进行了一些尝试。例如， Mizuno等[74]和 Horikomi等[75]利用大规模日本居民手机定位数据重新训练了GPT-2以用于轨迹生成。类似Najjar[71]，这两项研究也均使用研究区域的空间单元编码来表达轨迹序列，不具备空间泛化能力。此外，基于GPT训练的模型本质是给定个体轨迹的前序序列，以自回归方式不断进行下一个轨迹点预测而生成后续序列，不能实现“从无到有”为目标城市生成大规模轨迹。 Zhu等[76]利用条件扩散模型，将路网约束作为输入条件实现可控轨迹生成，可实现所谓跨区域轨迹生成。不过，研究中给定的路网约束条件，实际上是待生成轨迹在路网约束下的相应路径；而如果相应路径是已知条件，也就没有生成轨迹的必要了。 Wang等[77]提出一种可跨城市（从源城市到目标城市）迁移的车辆轨迹生成方法。首先结合空间句法和图神经网络，基于路网结构获取路段表征；然后设计了一种解耦对抗训练方法进一步学习城市无关的路段表征，用以实现跨城市的路段出行代价预测；最终结合最短路径搜索，为目标城市生成符合人类偏好的出行轨迹。该研究以源城市路网和车辆轨迹数据以及目标城市路网训练模型，实现目标城市的车辆轨迹生成。这种典型的迁移学习思路是对源城市与目标城市进行联合学习，每换一个目标城市，仍需要重新训练模型。可以看出，上述研究虽然进行了一些尝试，但实际并未真正提出具备空间泛化能力的轨迹生成基础模型。此外，现有研究大多关注车辆移动轨迹，而相比于车辆移动轨迹，能反映居民活动的个体停留点轨迹实际更有生成价值。车辆移动轨迹相对好获取、尚不涉及个人隐私（现有研究主要使用出租车/网约车数据），并且能够结合OD需求、路网结构、交通状态等通过最优路径算法直接生成[78]；而个体停留点轨迹则通常难获取，且直接涉及个人隐私，生成大规模符合人类移动模式又具备一定个体随机性的停留点轨迹实际更具挑战，但更有意义。
表2整理了近年来研究者在面向生成任务的轨迹基础模型方面的相关尝试，列出了文献、发表时间、数据类型，描述了模型的“基础”之处并评估了模型的空间泛化能力。可以看出，尽管这些模型尝试通过使用较大范围、较大规模的轨迹数据训练较大参数量的模型，或者通过条件生成、迁移学习等提升模型的跨城市迁移能力，但仍不具备基础模型所需的空间泛化能力。
表2 面向生成任务的轨迹基础模型

Tab.2 Trajectory foundation models for generation task

文献 时间/年 数据类型 “基础”之处 空间泛化
Mizuno等[74] 2022 手机定位轨迹 空间范围大：日本
数据量大：840万条轨迹
模型大：GPT-2 SMALL		 ×
Horikomi等[75] 2023 手机定位轨迹 空间范围大：日本
模型大：GPT-2 SMALL		 ×
Zhu等[76] 2024 车辆轨迹 可给定路径作为条件，生成相应轨迹，从而能够跨城市应用 ×
Wang等[77] 2025 车辆轨迹 以源城市路网和轨迹数据以及目标城市路网训练模型，可跨城市实现目标城市的轨迹生成 ×

注：本文通过判断模型能否“基于任意目标城市的宏观数据/少量参数/随机采样噪声‘从无到有’生成大规模合成轨迹数据集”来评估模型的空间泛化能力。

总结而言，近年开始出现一些轨迹基础模型研究。然而，面向轨迹相似性计算、插值、预测、分类等常规任务，目前相关研究虽然已建立起轨迹基础模型的基本架构与训练思路，但因轨迹训练集单一、训练策略设计存在缺陷等，导致这些模型的空间与数据泛化能力仍然不足；面向轨迹生成这一特殊任务，目前相关研究尚未提出真正具备空间泛化能力的轨迹基础模型。

4 结论与展望

4.1 结论

由于人类移动行为与交通系统、疾病传播及公共安全等领域紧密关联，轨迹数据的分析与建模一直是学界和业界经久不衰的研究热点。本文系统综述了从轨迹专门模型到轨迹基础模型的研究进展。首先，对轨迹相似性计算、轨迹插值、轨迹预测、轨迹分类和轨迹生成这几类常见轨迹专门模型的相关研究进行了系统总结，并梳理了其发展脉络；在此基础上，介绍了当前面向常规任务和面向生成任务的轨迹基础模型研究进展，并指出了现有研究的不足。
总体而言，各类轨迹专门模型大多针对特定任务、局部地区和单一数据，大致遵循“简单直观模型-常规机器学习-深度神经网络”的发展脉络，引入最新技术的研究层出不穷，发展相对充分。近年来逐渐提出一些强调通用性和泛化能力的轨迹基础模型研究，但仍然存在一些挑战有待解决：
（1）对于面向常规任务的轨迹基础模型而言，大范围（如全球、全国）全面覆盖的轨迹数据难以获取，而由于地理异质性的存在，基于局部区域轨迹数据训练出的模型因未“见识”过其他区域的位置（以经纬度或空间单元编码表示）以及特征足够多样的轨迹，导致缺乏空间泛化能力。此外，轨迹数据通常存在噪声、缺失、采样间隔不均匀、长度不一致等问题，而一个通用、鲁棒的轨迹基础模型需要具备容纳这些数据缺陷或特点的能力。如何训练得到具备空间泛化与数据泛化能力的轨迹基础模型，仍是需要进一步研究的问题。
（2）对于面向生成任务的轨迹基础模型而言，由于轨迹生成这一特殊任务旨在通过模型“从无到有”为任意目标城市生成大规模合成轨迹数据集，而对于人口分布与空间结构不同的城市，其在整个轨迹数据集层面存在的差异更加难以把握，空间泛化极具挑战。如何“从无到有”生成与目标城市特征相符的大规模轨迹数据集，突破空间泛化难题，仍有待解决。

4.2 展望

（1）对于面向常规任务的轨迹基础模型，未来应着重研究多样化轨迹训练集构建方法、使用通用高效的位置表征方法并针对性设计模型预训练方法。通过在训练阶段使模型“见识”各类轨迹与任务，提升其任务泛化、空间泛化和数据泛化能力，实现对给定轨迹的高质量表征。
（2）对于面向生成任务的轨迹基础模型，未来应着重突破其空间泛化难题，以给定城市宏观数据或特征，实现大规模轨迹生成。考虑到城市居民具有普遍的日常活动模式，可考虑将不同城市居民移动/活动行为的共性与差异作为空间泛化桥梁，构建机理-数据双驱动模型。
（3）除了构建针对单一类型数据的轨迹基础模型，未来还可将轨迹数据与其他类型数据（如文本、地图、其他地理空间数据）进行联合建模，构建多模态地理基础模型。例如，构建文本-轨迹多模态基础模型，给定需求描述即可实现相应轨迹计算。
（4）在实现轨迹相似性计算、插值、预测、分类等任务泛化的基础上，未来还可进一步构建面向交通规划与管理、传染病模拟与控制、公安寻人等场景的轨迹基础模型，构筑模型在各行业中的通用能力。
AI使用说明：本文没有使用AI技术。
■ 本文图文责任编辑：黄光玉 蒋树芳

利益冲突：Conflicts of Interest 所有作者声明不存在利益冲突。

All authors disclose no relevant conflicts of interest.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李锐, 刘朝辉, 吴华意. 城市人口流动感知与建模方法综述[J]. 武汉大学学报(信息科学版), 2025, 50(5):973-995.

[Li R, Liu Z H, Wu H Y. A review of urban population mobility perception and modeling methods[J]. Geomatics and Information Science of Wuhan University, 2025, 50(5):973-995. ] DOI:10.13203/j.whugis20240082

[2]
方志祥. 公共卫生与安全应急视角下人群动态的观测思考与挑战[J]. 武汉大学学报(信息科学版), 2020, 45(12):1847-1856.

[Fang Z X. Thinking and challenges of crowd dynamics observation from the perspectives of public health and public security[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12):1847-1856. ] DOI:10.13203/j.whugis20200422

[3]
关庆锋, 任书良, 姚尧, 等. 耦合手机信令数据和房价数据的城市不同经济水平人群行为活动模式研究[J]. 地球信息科学学报, 2020, 22(1):100-112.

DOI

[Guan Q F, Ren S L, Yao Y, et al. Revealing the behavioral patterns of different socioeconomic groups in cities with mobile phone data and house price data[J]. Journal of Geo-Information Science, 2020, 22(1):100-112. ] DOI:10.12082/dqxxkx.2020.190406

[4]
姚尧, 张亚涛, 关庆锋, 等. 使用时序出租车轨迹识别多层次城市功能结构[J]. 武汉大学学报(信息科学版), 2019, 44(6):875-884.

[Yao Y, Zhang Y T, Guan Q F, et al. Sensing multi-level urban functional structures by using time series taxi trajectory data[J]. Geomatics and Information Science of Wuhan University, 2019, 44(6):875-884. ] DOI:10.13203/j.whugis20170111

[5]
牟乃夏, 张恒才, 陈洁, 等. 轨迹数据挖掘城市应用研究综述[J]. 地球信息科学学报, 2015, 17(10):1136-1142.

DOI

[Mou N X, Zhang H C, Chen J, et al. A review on the application research of trajectory data mining in urban cities[J]. Journal of Geo-Information Science, 2015, 17(10):1136-1142. ] DOI:10.3724/SP.J.1047.2015.01136

[6]
唐炉亮, 阚子涵, 任畅, 等. 利用GPS轨迹的转向级交通拥堵精细分析[J]. 测绘学报, 2019, 48(1):75-85.

DOI

[Tang L L, Kan Z H, Ren C, et al. Fine-grained analysis of traffic congestions at the turning level using GPS traces[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(1):75-85. ] DOI:10.11947/j.AGCS.2019.20170448

[7]
裴韬, 王席, 宋辞, 等. COVID-19疫情时空分析与建模研究进展[J]. 地球信息科学学报, 2021, 23(2):188-210.

DOI

[Pei T, Wang X, Song C, et al. Review on spatiotemporal analysis and modeling of COVID-19 pandemic[J]. Journal of Geo-Information Science, 2021, 23(2):188-210. ] DOI:10.12082/dqxxkx.2021.200434

[8]
尹凌, 刘康, 张浩, 等. 耦合人群移动的COVID-19传染病模型研究进展[J]. 地球信息科学学报, 2021, 23(11):1894-1909.

DOI

[Yin L, Liu K, Zhang H, et al. Integrating human mobility into the epidemiological models of COVID-19: Progress and challenges[J]. Journal of Geo-Information Science, 2021, 23(11):1894-1909. ] DOI:10.12082/dqxxkx.2021.210091

[9]
Yabe T, Luca M, Tsubouchi K, et al. Enhancing human mobility research with open and standardized datasets[J]. Nature Computational Science, 2024, 4(7):469-472. DOI:10.1038/s43588-024-00650-3

PMID

[10]
陆锋, 刘康, 陈洁. 大数据时代的人类移动性研究[J]. 地球信息科学学报, 2014, 16(5):665-672.

DOI

[Lu F, Liu K, Chen J. Research on human mobility in big data era[J]. Journal of Geo-Information Science, 2014, 16(5):665-672. ] DOI:10.3724/SP.J.1047.2014.00665

[11]
刘瑜, 肖昱, 高松, 等. 基于位置感知设备的人类移动研究综述[J]. 地理与地理信息科学, 2011, 27(4):8-13.

[Liu Y, Xiao Y, Gao S, et al. A review of human mobility research based on location aware devices[J]. Geography and Geo-Information Science, 2011, 27(4):8-13. ] DOI:CNKI:SUN:DLGT.0.2011-04-003

[12]
Chen W, Liang Y X, Zhu Y S, et al. Deep learning for trajectory data management and mining: A survey and beyond[EB/OL]. 2024:2403.14151. https://arxiv.org/abs/2403.14151

[13]
Luca M, Barlacchi G, Lepri B, et al. A survey on deep learning for human mobility[J]. ACM Computing Surveys, 2023, 55(1):1-44. DOI:10.1145/3485125

[14]
秦昆, 王玉龙, 赵鹏祥, 等. 行为轨迹时空聚类与分析[J]. 自然杂志, 2018, 40(3):177-182.

DOI

[Qin K, Wang Y L, Zhao P X, et al. Spatiotemporal clustering and analysis of behavior trajectory[J]. Chinese Journal of Nature, 2018, 40(3):177-182. ] DOI:10.3969/j.issn.0253-9608.2018.03.003

[15]
刘康. 人类移动数据生成方法:研究进展与趋势探讨[J]. 地球信息科学学报, 2024, 26(4):831-847.

DOI

[Liu K. Approaches for human mobility data generation: Research progress and trends[J]. Journal of Geo-Information Science, 2024, 26(4):831-847. ] DOI:10.12082/dqxxkx.2024.230488

[16]
周星星, 吉根林, 张书亮. 时空轨迹相似性度量方法综述[J]. 地理信息世界, 2018, 25(4):11-18.

[Zhou X X, Ji G L, Zhang S L. Overview of the similarity measurement methods for spatial-temporal trajectory[J]. Geomatics World, 2018, 25(4):11-18. ] DOI:10.3969/j.issn.1672-1586.2018.04.003

[17]
Agrawal R, Imieliński T, Swami A. Mining association rules between sets of items in large data-bases[C]// Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data. ACM, 1993:207-216. DOI:10.1145/170035.170072

[18]
Keogh E J, Pazzani M J. Scaling up dynamic time warping for datamining applications[C]// Proceedings of the Sixth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2000:285-289. DOI:10.1145/347090.347153

[19]
Chen L, Ng R. On the marriage of Lp-norms and edit distance[C]// Proceedings of the Thirtieth Inter-national Conference on Very Large Data Bases. Amsterdam: Elsevier, 2004:792-803. DOI:10.1016/b978-012088469-8.50070-x

[20]
Chen L, Özsu M T, Oria V. Robust and fast similarity search for moving object trajectories[C]// Proceedings of the 2005 ACM SIGMOD International Conference on Management of Data. ACM, 2005:491-502. DOI:10.1145/1066157.1066213

[21]
Vlachos M, Kollios G, Gunopulos D. Discovering similar multidimensional trajectories[C]// Proceedings 18th International Conference on Data Engineering. IEEE, 2002:673-684. DOI:10.1109/ICDE.2002.994784

[22]
吴晨昊, 向隆刚, 张叶廷, 等. 基于地理空间感知型表征学习的轨迹相似度计算[J]. 测绘学报, 2023, 52(4):670-678.

DOI

[Wu C H, Xiang L G, Zhang Y T, et al. Geography-aware representation learning for trajectory similarity computation[J]. Acta Geodaetica et Cartographica Sinica, 2023, 52(4):670-678. ] DOI:10.11947/j.AGCS.2023.20220026

[23]
Zhang H Y, Zhang X Y, Jiang Q Z, et al. Trajectory similarity learning with auxiliary supervision and optimal matching[C]// Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence. ACM, 2020:3209-3215. DOI:10.24963/ijcai.2020/444

[24]
Yang P L, Wang H C, Zhang Y, et al. T3S: Effective representation learning for trajectory similarity computation[C]//2021 IEEE 37th International Conference on Data Engineering (ICDE). IEEE, 2021:2183-2188. DOI:10.1109/icde51399.2021.00221

[25]
Yang P L, Wang H C, Lian D F, et al. TMN: Trajectory matching networks for predicting similarity[C]// 2022 IEEE 38th International Conference on Data Engineering (ICDE). IEEE, 2022:1700-1713. DOI:10.1109/ICDE53745.2022.00173

[26]
Yang C, Jiang R H, Xu X H, et al. SIMformer: Single-layer vanilla Transformer can learn free-space trajectory similarity[C]// Proceedings of the VLDB Endowment, 2024, 18(2):390-398. DOI:10.14778/3705829.3705853

[27]
Wang J Y, Wu N, Lu X X, et al. Deep trajectory recovery with fine-grained calibration using Kalman filter[J]. IEEE Transactions on Knowledge and Data Engineering, 2019, 33(3):921-934. DOI:10.1109/TKDE.2019.2940950

[28]
Xia T, Qi Y H, Feng J, et al. AttnMove: History enhanced trajectory recovery via attentional net-work[C]// Proceedings of the AAAI Conference on Artificial Intelligence, 2021, 35(5):4494-4502. DOI:10.1609/aaai.v35i5.16577

[29]
Ren H M, Ruan S J, Li Y H, et al. MTrajRec: Map-constrained trajectory recovery via Seq2Seq multitask learning[C]// Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. ACM, 2021:1410-1419. DOI:10.1145/3447548.3467238

[30]
Si J J, Yang J, Xiang Y, et al. TrajBERT: BERT-based trajectory recovery with spatial-temporal refinement for implicit sparse trajectories[J]. IEEE Transactions on Mobile Computing, 2024, 23(5):4849-4860. DOI:10.1109/TMC.2023.3297115

[31]
Deng L W, Zhao Y, Sun H, et al. Fusing local and global mobility patterns for trajectory recovery[C]// International Conference on Database Systems for Advanced Applications. Cham: Springer Nature Switzerland, 2023:448-463. DOI:10.1007/978-3-031-30637-2_29

[32]
Chen M, Liu Y, Yu X H. NLPMM: A next location predictor with Markov modeling[C]// Advances in Knowledge Discovery and Data Mining. Cham: Springer, 2014:186-197. DOI:10.1007/978-3-319-06605-9_16

[33]
Baraglia R, Muntean C I, Nardini F M, et al. LearNext: Learning to predict tourists movements[C]// Proceedings of the 22nd ACM International Conference on Information & Knowledge Management. ACM, 2013:751-756. DOI:10.1145/2505515.2505656

[34]
Feng J, Li Y, Zhang H C, et al. DeepMove: Predicting human mobility with attentional recurrent networks[C]// Proceedings of the 2018 World Wide Web Conference. ACM, 2018:1459-1468. DOI:10.1145/3178876.3186058

[35]
Li M X, Lu F, Zhang H C, et al. Predicting future locations of moving objects with deep fuzzy-LSTM networks[J]. Transportmetrica A: Transport Science, 2020, 16(1):119-136. DOI:10.1080/23249935.2018.1552334

[36]
Xue H, Salim F, Ren Y, et al. MobTCast: Leveraging auxiliary trajectory forecasting for human mobility prediction[C]// Proceedings of the 35th International Conference on Neural Information Processing Systems. ACM, 2021:2324.

[37]
Yao Y, Guo Z J, Dou C, et al. Predicting mobile users' next location using the semantically enriched geo-embedding model and the multilayer attention mechanism[J]. Computers, Environment and Urban Systems, 2023, 104:102009. DOI:10.1016/j.compenvurbsys.2023.102009

[38]
Zhang X T, Gui Z P, Liu Y H, et al. Individual mobility prediction by considering current traveling features and historical activity chain[J]. Geo-spatial Information Science, 2025:1-28. DOI:10.1080/10095020.2025.2455005

[39]
Zheng Y, Liu L K, Wang L H, et al. Learning transportation mode from raw GPS data for geographic applications on the web[C]// Proceedings of the 17th International Conference on World Wide Web. ACM, 2008:247-256. DOI:10.1145/1367497.1367532

[40]
Dodge S, Weibel R, Forootan E. Revealing the physics of movement: Comparing the similarity of movement characteristics of different types of moving objects[J]. Computers, Environment and Urban Systems, 2009, 33(6):419-434. DOI:10.1016/j.compenvurbsys.2009.07.008

[41]
Kontopoulos I, Makris A, Tserpes K, et al. TraClets: Harnessing the power of computer vision for trajectory classification[EB/OL]. 2022:2205.13880. https://arxiv.org/abs/2205.13880

[42]
Liang Y X, Ouyang K, Wang Y W, et al. TrajFormer: Efficient trajectory classification with transformers[C]// Proceedings of the 31st ACM International Conference on Information & Knowledge Management. ACM, 2022:1229-1237. DOI:10.1145/3511808.3557481

[43]
Savage N. Synthetic data could be better than real data[J]. Nature, 2023:CM25284852. DOI:10.1038/d41586-023-01445-8

[44]
Brockmann D, Hufnagel L, Geisel T. The scaling laws of human travel[J]. Nature, 2006, 439(7075):462-465. DOI:10.1038/nature04292

[45]
Song C M, Koren T, Wang P, et al. Modelling the scaling properties of human mobility[J]. Nature Physics, 2010, 6(10):818-823. DOI:10.1038/nphys1760

[46]
González M C, Hidalgo C A, Barabási A L. Understanding individual human mobility patterns[J]. Na-ture, 2008, 453(7196):779-782. DOI:10.1038/nature06958

[47]
Barbosa H, de Lima-Neto F B, Evsukoff A, et al. The effect of recency to human mobility[J]. EPJ Data Science, 2015, 4(1):21. DOI:10.1140/epjds/s13688-015-0059-8

[48]
Alessandretti L, Sapiezynski P, Sekara V, et al. Evidence for a conserved quantity in human mobility[J]. Nature Human Behaviour, 2018, 2(7):485-491. DOI:10.1038/s41562-018-0364-x

PMID

[49]
Schläpfer M, Dong L, O’Keeffe K, et al. The universal visitation law of human mobility[J]. Nature, 2021, 593(7860):522-527. DOI:10.1038/s41586-021-03480-9

[50]
Wang J Y, Dong L, Cheng X M, et al. An extended exploration and preferential return model for human mobility simulation at individual and collective levels[J]. Physica A: Statistical Mechanics and Its Ap-plications, 2019, 534:121921. DOI:10.1016/j.physa.2019.121921

[51]
Jin X, Liu K, Cao Z C, et al. Urban-EPR: A universal model for simulating individual human mobility within intra-urban areas[J]. International Journal of Geographical Information Science, 2025:1-34. DOI:10.1080/13658816.2025.2456558

[52]
Song X, Kanasugi H, Shibasaki R. DeepTransport: Prediction and simulation of human mobility and transportation mode at a citywide level[C]// Proceedings of the Twenty-Fifth International Joint Conference on Artificial Intelligence. ACM, 2016:2618-2624. DOI:10.5555/3060832.3060987

[53]
Huang D, Song X, Fan Z P, et al. A variational autoencoder based generative model of urban human mobility[C]// 2019 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR). IEEE, 2019:425-430. DOI:10.1109/mipr.2019.00086

[54]
Cao Z C, Liu K, Jin X, et al. STAGE: A spatiotemporal-knowledge enhanced multi-task generative adversarial network (GAN) for trajectory generation[J]. International Journal of Geographical Information Science, 2025, 39(5):1100-1127. DOI:10.1080/13658816.2024.2381146

[55]
Zhu Y S, Ye Y C, Zhang S Y, et al. DiffTraj: Generating GPS trajectory with diffusion probabilistic model[C]// Proceedings of the 37th International Conference on Neural Information Processing System. ACM, 2023, 36:65168-65188. DOI:10.5555/3666122.3668965

[56]
Chu C, Zhang H C, Wang P X, et al. Simulating human mobility with a trajectory generation framework based on diffusion model[J]. International Journal of Geographical Information Science, 2024, 38(5):847-878. DOI:10.1080/13658816.2024.2312199

[57]
Liu K, Jin X, Cheng S F, et al. Act2Loc: A synthetic trajectory generation method by combining ma-chine learning and mechanistic models[J]. International Journal of Geographical Information Science, 2024, 38(3):407-431. DOI:10.1080/13658816.2023.2292570

[58]
Yao D, Hu H N, Du L, et al. TrajGAT: A graph-based long-term dependency modeling approach for trajectory similarity computation[C]// Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. ACM, 2022:2275-2285. DOI:10.1145/3534678.3539358

[59]
Li X C, Zhao K Q, Cong G, et al. Deep representation learning for trajectory similarity computation[C]// 2018 IEEE 34th International Conference on Data Engineering (ICDE). IEEE, 2018:617-628. DOI:10.1109/ICDE.2018.00062

[60]
Lin Y, Wan H Y, Guo S N, et al. Pre-training general trajectory embeddings with maximum multi-view entropy coding[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 36(12):9037-9050. DOI:10.1109/TKDE.2023.3347513

[61]
Fu T Y, Lee W C. Trembr: Exploring road networks for trajectory representation learning[J]. ACM Transactions on Intelligent Systems and Technology, 2020, 11(1):1-25. DOI:10.1145/3361741

[62]
Chen Y L, Li X C, Cong G, et al. Robust road network representation learning: When traffic patterns meet traveling semantics[C]// Proceedings of the 30th ACM International Conference on Information & Knowledge Management. ACM, 2021:211-220. DOI:10.1145/3459637.3482293

[63]
Jiang J W, Pan D Y, Ren H X, et al. Self-supervised trajectory representation learning with temporal regularities and travel semantics[C]// 2023 IEEE 39th International Conference on Data Engineering (ICDE). IEEE, 2023:843-855. DOI:10.1109/ICDE55515.2023.00070

[64]
Ma Z P, Tu Z Y, Chen X H, et al. More than routing: Joint GPS and route modeling for refine trajectory representation learning[C]// Proceedings of the ACM Web Conference 2024. ACM, 2024:3064-3075. DOI:10.1145/3589334.3645644

[65]
Yan B Q, Zhao G, Song L X, et al. PreCLN: Pretrained-based contrastive learning network for vehicle trajectory prediction[J]. World Wide Web, 2023, 26(4):1853-1875. DOI:10.1007/s11280-022-01121-3

[66]
Chang Y C, Qi J Z, Liang Y X, et al. Contrastive trajectory similarity learning with dual-feature attention[C]// 2023 IEEE 39th International Conference on Data Engineering (ICDE). IEEE, 2023:2933-2945. DOI:10.1109/ICDE55515.2023.00224

[67]
Li S Z, Chen W, Yan B Q, et al. Self-supervised contrastive representation learning for large-scale trajectories[J]. Future Generation Computer Systems, 2023, 148:357-366. DOI:10.1016/j.future.2023.05.033

[68]
Li P B, Yan H W, Lu X M. A Siamese neural network for learning the similarity metrics of linear features[J]. International Journal of Geographical Information Science, 2023, 37(3):684-711. DOI:10.1080/13658816.2022.2143505

[69]
Musleh M, Mokbel M F, Abbar S. Let’s speak trajectories[C]// Proceedings of the 30th International Conference on Advances in Geographic Information Systems. ACM, 2022:37. DOI:10.1145/3557915.3560972

[70]
Musleh M. Towards a unified deep model for trajectory analysis[C]// Proceedings of the 30th International Conference on Advances in Geographic Information Systems. 2022:109. DOI:10.1145/3557915.3565529

[71]
Najjar A. Towards a foundation model for trajectory intelligence[C]// 2023 IEEE International Conference on Data Mining Workshops (ICDMW). IEEE, 2023:832-835. DOI:10.1109/ICDMW60847.2023.00112

[72]
Lin Y, Wei T L, Zhou Z Y, et al. TrajFM: A vehicle trajectory foundation model for region and task transferability[EB/OL]. 2024:2408.15251. https://arxiv.org/abs/2408.15251

[73]
Zhu Y S, Yu J Q, Zhao X Y, et al. UniTraj: Universal Human Trajectory Modeling from Billion-Scale Worldwide Traces[EB/OL]. 2024:2411.03859. https://arxiv.org/abs/2411.03859

[74]
Mizuno T, Fujimoto S, Ishikawa A. Generation of individual daily trajectories by GPT-2[J]. Frontiers in Physics, 2022, 10:1021176. DOI:10.3389/fphy.2022.1021176

[75]
Horikomi T, Fujimoto S, Ishikawa A, et al. Generating individual trajectories using GPT-2 trained from scratch on encoded spatiotemporal data[EB/OL]. 2023:2308.07940. https://arxiv.org/abs/2308.07940

[76]
Zhu Y S, Yu J J, Zhao X Y, et al. ControlTraj: Controllable trajectory generation with topology-constrained diffusion model[C]// Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. ACM, 2024:4676-4687. DOI:10.1145/3637528.3671866

[77]
Wang J Y, Lin Y J, Li Y D. GTG: Generalizable trajectory generation model for urban mobility[C]// Proceedings of the AAAI Conference on Artificial Intelligence, 2025, 39(1):834-842. DOI:10.1609/aaai.v39i1.32067

[78]
刘康, 段滢滢, 张恒才. 基于路网拓扑层次性表达的驾车路径规划方法[J]. 地球信息科学学报, 2015, 17(9):1039-1046.

DOI

[ Liu K, Duan Y Y, Zhang H C. A driving route planning method based on road network topological hierarchy expression[J]. Journal of Geo-Information Science, 2015, 17(9):1039-1046.] DOI:10.3724/SP.J.1047.2015.01039

Options
Outlines

/

〈 〉