轨迹检索提速
融合空间与时间特征的哈希学习模型，通过交替采样对比增强泛化，以汉明距离实现高效轨迹相似度计算。
曹媛 · Chenxu, Wang · Zifan, Liu · Lei, Li · 汪斌 · 于彦伟
IEEE Transactions on Big Data 2026
在Xian和Porto两个数据集上，实值特征精度提升最高5.58%，二值特征提升最高4.33%，优于现有最优方法。
哈希编码使得相似度计算转化为汉明距离，计算复杂度为常数时间，适合大规模数据。
通过GRU中的重置门和更新门在架构层面融合空间和时间特征，弥补现有哈希方法忽略语义关联的缺陷。
采用交替采样策略生成两条子轨迹用于对比学习，相比非均匀采样增强了模型的泛化能力和鲁棒性。