一种基于深度自监督学习的轨迹数据表示方法

一种基于深度自监督学习的轨迹数据表示方法，它属于交通轨迹时空数据处理技术领域。本发明解决了现有方法需要对不同应用场景分别设计特征、不能充分挖掘时间序列特征和道路网络拓扑结构信息的潜在关系以及难以对应用场景全面覆盖的问题。本发明采用在线网络与目标网络的双分支架构，将对比学习任务与掩码任务的优化目标深度融合，模型能够同时捕捉轨迹数据的全局语义关联性与局部上下文特征。本发明构建图注意力网络与时间编码模块的协同工作机制，图注意力网络可以解析道路拓扑的空间约束关系，时间编码模块可以捕捉移动对象的运动时序规律，二者通过特征级联与梯度共享实现多模态信息的有机融合。本发明方法可以用于提取交通轨迹数据的表示。