统一环境感知与路线选择建模的轨迹表示学习

基于摘要分析。本文研究城市出行轨迹表示学习，提出 CORE，将轨迹理解为城市环境中的连续路线选择，而非仅作为被动的时空序列编码，旨在为出行时间估计、移动预测和轨迹相似性分析等任务提供具有行为语义的低维表示。 机制上，CORE 首先通过多粒度 Environment Perception Module，利用 LLMs 从兴趣点（POI）分布中提炼环境语义，构建上下文增强的道路网络；随后，Route Choice Encoder 采用混合专家（MoE）架构，联合道路网络上下文与导航因素捕捉路线选择模式；最后由 Transformer encoder 聚合为全局轨迹嵌入。其主要方法思路是将环境语义与路线选择过程共同纳入表示学习。具体训练目标、LLMs 的使用方式、专家路由及导航因素定义尚未验证。 作者报告，在 4 个真实世界数据集、6 项下游任务上，CORE 持续优于所比较的 12 种 TRL 方法，相对最佳基线的平均提升为 9.79%。摘要未给出数据集名称、各任务指标、数据划分及平均提升的计算方式，因此不能将该数字解释为 Accuracy 提升或百分点变化，也不能据此判断跨数据集泛化能力。实验协议、消融及统计信息尚未验证。作者提供了代码仓库地址，但实现完整性、数据可用性及复现条件尚未核验。 该方法的直接研究对象是具有道路网络、POI 环境语义和导航因素的城市轨迹，不是神经信号。当前材料未建立这些结构与 EEG/BCI 问题的具体对应关系，因此不提出迁移有效性结论或复现实验建议；相关 EEG 工作尚未检索确认。