路径表示学习（PRL）在道路网络中日益受到关注，因其在路径规划、交通预测等场景中的广泛应用。传统方法主要利用道路段与路径的共现关系学习固定向量，却忽略了旅行者行为的多样性以及道路段在区域内的关联性。\ \ 本文提出通过分布式表示捕获旅行者行为多样性和区域依赖关系。核心框架 TraveL 采用 Transformer 编码路径序列并结合出发时间，生成路径的分布式表示 $\mathbf{z}$。该表示可用于解码出路径上可能的旅行者行为样本 $\{\mathbf{s}_i\}$。\ \ 为建模区域相关性，设计了区域注意力机制：对同一区域内的道路段计算注意力权重 $\alpha_{ij}$，并将其注入路径编码，以强化区域内部的相互影响。\ \ 在训练阶段，引入 Kolmogorov‑Smirnov (K‑S) 检验，将采样得到的行为分布 $F_{\text{sample}}$ 与真实分布 $F_{\text{gt}}$ 的距离 $D_{KS}=\sup_x|F_{\text{sample}}(x)-F_{\text{gt}}(x)|$ 作为损失的一部分，促进模型生成更符合实际的行为分布。\ \ 实验在合成数据和真实道路网络上进行。相较于最新基线，TraveL 在旅行时间分布估计的平均 K‑S 距离上提升 14.7%，在路径相似度预测的 MAE 上提升 16.7%，在目的地预测的 MAE 上提升 3.97%。\ \ 点评：TraveL 通过多视角（路径序列、时间信息、区域注意力）和分布式学习，有效弥补了传统 PRL 的信息缺失，实验结果表明其在多任务场景下具备显著优势。