MoCo-AIS: A Contrastive Learning Framework for Similarity Computation of Vessel Trajectories

📄 arXiv: 2606.17978v1 📥 PDF

作者: Ruixin Song, Md Mahbub Alam, Zahra Sadeghi, Amilcar Soares, José F. Rodrigues-Jr, Gabriel Spadon

分类: cs.AI

发布日期: 2026-06-16

备注: Under review at SIGSPATIAL'26

💡 一句话要点

提出MoCo-AIS框架以解决船舶轨迹相似性计算问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 轨迹相似性 对比学习 动量对比 深度学习 船舶跟踪 自监督学习 数据分析

📋 核心要点

  1. 现有的基于距离的相似性计算方法计算成本高，且监督学习方法依赖大量标签，限制了模型的泛化能力。
  2. 本文提出的MoCo-AIS框架通过动量对比范式，利用正负轨迹对进行相似性学习，提供了统一的学习框架。
  3. 实验结果显示，MoCo-AIS在真实世界的船舶跟踪数据集上显著提升了相似性学习效果，相较于现有基线有明显改善。

📝 摘要（中文）

轨迹相似性是分析移动模式的基本任务，对于路线模式提取、移动预测和异常检测等应用至关重要。传统的基于距离的相似性计算方法计算成本高，促使轻量级学习方法的采用。监督学习依赖于传统距离度量得出的广泛标签，限制了其泛化能力。自监督学习通过对比学习解决了这一问题，但缺乏统一框架，难以比较深度学习模型。本文提出MoCo-AIS，一个基于动量对比（MoCo）范式的统一框架，通过正负轨迹对来进行相似性学习。我们在大规模真实船舶跟踪AIS数据集上评估了一系列领先的深度学习模型，结果表明该框架显著提高了相似性学习的效果，并提供了评估轨迹表示模型的基准平台。

🔬 方法详解

问题定义：本文旨在解决船舶轨迹相似性计算中的高计算成本和泛化能力不足的问题。现有方法往往依赖于传统距离度量，导致计算效率低下。

核心思路：MoCo-AIS框架通过动量对比学习，利用正负轨迹对来进行相似性学习，旨在提供一个统一的学习平台，便于不同深度学习模型的比较与评估。

技术框架：该框架包括数据预处理、轨迹嵌入生成、对比学习模块和模型评估四个主要部分。首先对原始轨迹数据进行预处理，然后通过深度学习模型生成轨迹嵌入，接着利用对比学习进行相似性计算，最后进行模型性能评估。

关键创新：最重要的创新在于提出了一个统一的对比学习框架，使得不同模型的轨迹表示可以在同一平台上进行比较，解决了以往缺乏标准化评估的问题。

关键设计：在模型设计中，采用了动量对比损失函数，设置了适当的超参数以平衡正负样本的比例，并使用了多种深度学习模型进行轨迹嵌入生成，以确保框架的通用性和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MoCo-AIS框架在真实世界的船舶跟踪数据集上，相较于现有基线方法，轨迹相似性学习的性能提升显著，具体提升幅度达到XX%（具体数据未知），展示了该框架的有效性和优越性。

🎯 应用场景

该研究的潜在应用场景包括航运管理、交通监控和智能物流等领域。通过提高轨迹相似性计算的效率和准确性，能够帮助相关行业更好地进行移动模式分析、异常检测和预测，从而提升运营效率和安全性。未来，该框架还可以扩展到其他类型的轨迹数据分析中，具有广泛的实际价值。

📄 摘要（原文）

Trajectory similarity is a fundamental task in analyzing mobility patterns, essential for applications such as route pattern extraction, mobility prediction, and anomaly detection. Traditional distance-based measures for computing similarity incur high computational cost, driving the adoption of lightweight learning-based approaches. Supervised methods rely on extensive labels derived from traditional distance measures and often reproduce these metrics, which limits generalization. While self-supervised learning addresses this issue through contrastive learning, it lacks a unified framework, making it difficult to compare deep learning (DL) models for consistent trajectory representation. Accordingly, this paper presents MoCo-AIS, a unified framework for learning vessel trajectory embeddings based on the Momentum Contrast (MoCo) paradigm, which formulates similarity learning through positive and negative trajectory pairs. Within this framework, we evaluate a diverse set of leading DL models on large-scale, real-world vessel-tracking AIS datasets that capture diverse navigation behaviors and operating conditions. Results demonstrate that our framework significantly improves similarity learning over existing baselines, while providing a benchmarking platform for evaluating trajectory representation models.