2025_NIPS_PLMTrajRec: A Scalable and Generalizable Trajectory Recovery Method with Pre-trained Langu

文章主要内容总结

该研究针对时空轨迹数据因设备故障、网络不稳定导致的稀疏化问题，提出了基于预训练语言模型（PLM）的轨迹恢复模型PLMTrajRec。模型聚焦三类核心挑战：大规模密集轨迹数据集稀缺、不同采样间隔下的泛化困难、缺失点道路条件提取复杂，通过双轨迹提示、间隔感知轨迹嵌入器和PLM基轨迹编码器三大组件，实现高效、可扩展且泛化能力强的地图匹配式轨迹恢复。在成都和波尔图的四个公开数据集上，通过三种采样间隔的实验验证，模型在准确性、MAE、RMSE等指标上显著优于12种基线方法，且仅需20%训练数据即可达到优异性能。

核心创新点

1. PLM赋能的稀疏数据适应：借助预训练语言模型的通用知识，仅需小规模密集轨迹数据集微调，解决了数据稀缺导致的过拟合问题，提升模型可扩展性。
2. 双轨迹提示机制：一是间隔与特征引导的显式提示，将采样间隔和运动特征转化为文本描述，帮助模型识别不同间隔模式；二是区域流量引导的隐式提示，结合道路条件传递机制，通过邻近观测点推断缺失点的交通状况。
3. 间隔感知轨迹嵌入器：将不同采样间隔的轨迹标准化为统一间隔，同时通过可学习傅里叶特征和参考令牌，有效捕捉时空相关性，提升跨间隔泛化能力。
4. 高效训练与优化策略：采用联合训练策略融合多间隔稀疏数据集，结合LoRA微调减少训练参数，平衡了模型性能与计算效率。

---

翻译部分（Markdown格式）