近日，由我院俞庆英教授、本科生刘亚梅等人完成的一篇关于轨迹表示学习的研究成果：“DuGTRL: Dual-view Grid-based Trajectory Representation Learning Framework Integrating Spatiotemporal Semantics”被全球人工智能与智能系统领域国际顶级期刊《Expert Systems with Applications》（中科院SCI一区Top期刊，2026年最新影响因子为9.4）录用，体现了学院在人工智能与数据挖掘领域能力的持续提升。该论文第一作者为我院2022级计科专业本科生刘亚梅，俞庆英教授担任通讯作者，安徽师范大学为第一完成单位。
轨迹表示学习是将复杂的原始轨迹转换为低维向量的关键技术，广泛应用于行驶时间估计、轨迹分类等下游任务。现有方法大多依赖外部道路网络，通过地图匹配将轨迹约束在路段序列上进行学习，然而，其性能受限于路网数据的完备性与匹配算法的精度。另一类基于网格的方法虽更具通用性，却常将网格序列视为普通符号，未能充分挖掘网格化空间所蕴含的丰富结构信息。为克服上述局限，本文提出一种不依赖外部道路网络数据的融合双视角的网格轨迹表示学习框架（Dual-view Grid-based Trajectory Representation Learning Framework Integrating Spatiotemporal Semantics，DuGTRL），其核心思想是将海量轨迹在网格空间进行分布的同时视为一幅多通道时空图像与一个静态转移图，从而协同捕捉其局部空间相关性与全局移动结构。具体而言，本文设计了并行的基于卷积神经网络的图像视角编码器与基于图注意力网络的图视角编码器，并引入双向跨视角融合模块以集成互补信息。为了以自监督方式驱动模型学习，本文提出了跨视角对比损失与双分支掩码重建损失，前者推动同轨迹的双视角表示在语义空间中对齐，后者分别增强各视角的上下文建模能力。在两个大规模真实轨迹数据集上的实验结果表明，所提模型在行驶时间估计与轨迹分类任务上，性能均稳定优于六种先进基线方法。本文为在路网数据缺失或受限场景下，学习通用、鲁棒的轨迹表示提供了一种有效的新途径。