2025_NIPS_UniTraj: Learning a Universal Trajectory Foundation Model from Billion-Scale Worldwide ...

文章核心内容与创新点总结

核心内容

该研究针对现有轨迹建模方法存在的任务特异性、区域依赖性和数据敏感性问题，提出了通用轨迹基础模型UniTraj，并构建了全球轨迹数据集WorldTrace。通过创新的预训练策略和灵活的模型架构，UniTraj实现了跨任务、跨区域的泛化能力，在轨迹恢复、预测、分类和生成等任务中表现优于现有方法。

核心创新点

1. WorldTrace数据集：首个覆盖70个国家、包含245万条轨迹和88亿个GPS点的全球轨迹数据集，解决了现有数据集地理覆盖有限、质量不均的问题。
2. 预训练策略：提出自适应轨迹重采样（ATR）和自监督轨迹掩码（STM），分别应对不同采样率的数据异质性和数据缺失/不规则问题。
3. 模型架构：采用编码器-解码器结构，结合旋转位置编码（RoPE），仅依赖经纬度和时间信息，摆脱区域依赖，支持多种下游任务的灵活适配。

---

Abstract 翻译

构建通用轨迹基础模型是解决现有轨迹建模方法局限性的理想方案，这些局限性包括任务特异性、区域依赖性和数据敏感性。尽管潜力巨大，但数据准备、预训练策略开发和架构设计为构建该模型带来了重大挑战。因此，我们提出了通用轨迹基础模型UniTraj，通过三项关键创新来解决这些局限性。首先，我们构建了WorldTrace数据集——一个包含245万条轨迹、数十亿个GPS点、覆盖70个国家的前所未有的数