主要包括遥感领域的GPS轨迹数据，包括卫星通讯，态势监控，雷达遥感，以及其他领域的设备日志，操作记录，用户活动等等。
这类数据具有数据体量庞大，关联信息异构，分析任务多样等特点
对于时序数据的处理框架主要聚焦在存储和索引上，而传统的分析算法难以适应大规模、异构、复杂的分析任务
时序数据表示学习的核心目标是，将时序数据表示为固定长度向量，探索基于表示向量时序数据管理和挖掘新范式。
时序数据表示学习的优势在于：
第一部分是时序数据建模，通过一个时序数据编码器，将数据表示为固定长度的向量。
第二个部分是定义表示学习损失，比如说使用标签信息，对相似性或者自相似性
然而这个过程会存在以下几点挑战
- 各个序列的特点不同，就会存在多序列间关系难建模的问题
- 序列长度长短不一致
- 采样时间间隔不一致
这样的话就要采取不同应用场景下的时序数据编码器。
而在表示学习阶段，我们常常遇到的问题还有以下几个方面。
- 没有足够的监督信息可以用
- 分析任务监督信息弱
- 分析结果可解释性差
对于以上的挑战，我们做了一系列的表示学习模型的工作，尝试去解决这些挑战：
- 无监督表示学习
2.1. 基于度量学习的轨迹相似度计算
轨迹数据相似度计算复杂度高，通过度量学习(meric leaning) 学习轨迹数据表示降低计算复杂度，达到快速、准确计算轨迹数据相似度的目的。主要的研究思路是，利用部分序列相似度的值作为监督信息，训练表示模型，逼近度量空间
目前这个工作还正在开展中，如果有兴趣的老师和同学可以联系姚迪老师沟通
- 弱监督表示学习
3.1 元学习增强的跨城市轨迹预测
POI推荐是建设智慧城市的基本问题，对城市交通规划，城市商业
布局和环境政策制定等任务非常有用。 由于数据收集机制，通常会导致不同城市的POI轨迹数据分布极度不平衡。 例如，某些城市可能会发布多年的用户POI轨迹数据，而另一些城市则只会发布几天的数据，可利用数据稀少。
另外也存在人类活动的复杂性，导致用户偏好难以建模，以及不同的POI分布和城市结构的因素，导致难以学习跨城市的轨迹预测
本文引入元学习（meta-learning）的方法，提出基于元学习增强的神经常微分方程的POI推荐方法
对于监督信息不足的问题，主要考虑用生成模型的思路，利用充足的无标签轨迹，学习生成式轨迹行为特征表示。
对于监督信息不确定的问题，考虑自监督地学习轨迹样本权重学习，识别无标签轨迹中的疑似异常轨迹
对于监督信息不完备的问题，结合轨迹表示和标签隐含关系，识别未知类型异常轨迹
该工作正在进行中。
- 未来研究规划
主要分为应用研究和理论研究两个方向。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/224450.html原文链接：https://javaforall.net
