融合时间规律与出行语义的自监督轨迹表征学习

基于摘要分析。本文研究交通轨迹表征学习，提出 START，将原始轨迹转换为可用于轨迹分类、聚类和相似度计算的低维向量，重点利用一般序列建模容易忽略的时间规律与出行语义。 START 采用两阶段框架：首先，Trajectory Pattern-Enhanced Graph Attention Network（TPE-GAT）将路网特征和出行语义编码为路段表征；随后，Time-Aware Trajectory Encoder（TAT-Enc）聚合同一轨迹中的路段表征，并融入时间规律。训练包含 span-masked trajectory recovery 与 trajectory contrastive learning 两项自监督任务，用于引入轨迹的时空特征。摘要未披露具体掩码策略、对比样本构造或损失形式。 作者报告，在两个大规模真实数据集、三项下游任务上验证了方法有效性，并展示了跨城市适配异质轨迹数据的能力。摘要未给出数据集名称、数据规模、划分方式、对照基线或具体指标，因此无法判断提升幅度及跨城市迁移的具体条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 借鉴的机制是将结构先验编码与时间序列表征学习分开，再结合片段掩码恢复和对比学习。但原方法依赖路网拓扑、路段序列与出行语义，不能直接等同于 EEG 的通道结构和脑状态。若迁移，需重新定义通道图、时间片段表示与语义监督，保留两阶段编码及自监督任务的基本思路。低信噪比、跨被试通道关系变化和小数据条件可能使图先验或对比样本失效。一个可检验的假设是：在固定 Cross-subject EEG 划分、仅用训练被试进行自监督预训练时，加入通道图先验能否优于同等训练条件下的纯时间编码器；需以消融区分图结构和自监督任务的贡献。相关 EEG 工作尚未检索确认。