摘要
轨迹相似性是分析移动模式的基础任务，对于路径模式提取、移动预测和异常检测等应用至关重要。传统的基于距离的相似性计算方法计算成本高，促使轻量级学习方法的采用。监督方法依赖于从传统距离度量得出的广泛标签，往往重复这些度量，从而限制了泛化能力。虽然自监督学习通过对比学习解决了这一问题，但缺乏统一框架，使得比较深度学习模型以实现一致的轨迹表示变得困难。
因此，本文提出了MoCo-AIS，这是一个基于动量对比（MoCo）范式的统一框架，用于学习船舶轨迹嵌入。该框架通过正负轨迹对来制定相似性学习。在此框架内，我们评估了一系列领先的深度学习模型，使用大规模的真实船舶跟踪AIS数据集，这些数据集捕获了多样的导航行为和操作条件。结果表明，我们的框架显著提高了相似性学习的效果，相比现有基线，提供了对轨迹表示模型的基准测试平台。
博主点评： MoCo-AIS框架通过对比学习有效解决了传统方法的高计算成本问题，且其统一性使得不同深度学习模型的比较变得更加简便，为未来的轨迹分析应用奠定了基础。