Finding similar trajectories is an important task in moving object databases. However, classical similarity models face several limitations, including scalability and robustness. Recently, an approach named t2vec proposed transforming trajectories into points in a high dimensional vector space, and this transformation approximately keeps distances between trajectories. t2vec overcomes that scalability limitation: Now it is possible to cluster millions of trajectories. However, the semantics of the learned similarity values – and whether they are meaningful – is an open issue. One can ask: How does the configuration of t2vec affect the similarity values of trajectories? Is the notion of similarity in t2vec similar, different, or even superior to existing models? As for any neural-network-based approach, inspecting the network does not help to answer these questions. So the problem we address in this paper is how to assess the meaningfulness of similarity in deep trajectory representations. Our solution is a methodology based on a set of well-defined, systematic experiments. We compare t2vec to classical models in terms of robustness and their semantics of similarity, using two real-world datasets. We give recommendations which model to use in possible application scenarios and use cases. We conclude that using t2vec in combination with classical models may be the best way to identify similar trajectories. Finally, to foster scientific advancement, we give the public access to all trained t2vec models and experiment scripts. To our knowledge, this is the biggest collection of its kind.

在移动对象数据库中，找到相似的轨迹是一项重要的任务。但是，经典相似性模型面临几个限制，包括可伸缩性和鲁棒性。最近，一种名为t2vec的方法提出了将轨迹转换为高维向量空间中的点，并且这种转换大致保持了轨迹之间的距离。t2vec克服了可伸缩性限制：现在可以对数百万条轨迹进行聚类。但是，学习到的相似性值的语义以及它们是否有意义是一个悬而未决的问题。有人会问：t2vec的配置如何影响轨迹的相似度值？t2vec中的相似性概念是否类似于，不同甚至优于现有模型？至于任何基于神经网络的方法，检查网络无助于回答这些问题。因此，本文要解决的问题是如何评估深度轨迹表示中相似性的意义。我们的解决方案是基于一组定义明确的系统实验的方法。我们使用两个真实世界的数据集，在鲁棒性和相似性语义方面将t2vec与经典模型进行了比较。我们给出了在可能的应用场景和用例中使用哪种模型的建议。我们得出结论，将t2vec与经典模型结合使用可能是识别相似轨迹的最佳方法。最后，为了促进科学进步，我们允许公众访问所有训练有素的t2vec模型和实验脚本。据我们所知，这是同类中最大的收藏。因此，本文要解决的问题是如何评估深度轨迹表示中相似性的意义。我们的解决方案是基于一组定义明确的系统实验的方法。我们使用两个真实世界的数据集，在鲁棒性和相似性语义方面将t2vec与经典模型进行了比较。我们给出了在可能的应用场景和用例中使用哪种模型的建议。我们得出结论，将t2vec与经典模型结合使用可能是识别相似轨迹的最佳方法。最后，为了促进科学进步，我们允许公众访问所有训练有素的t2vec模型和实验脚本。据我们所知，这是同类中最大的收藏。因此，本文要解决的问题是如何评估深度轨迹表示中相似性的意义。我们的解决方案是基于一组定义明确的系统实验的方法。我们使用两个真实世界的数据集，在鲁棒性和相似性语义方面将t2vec与经典模型进行了比较。我们给出了在可能的应用场景和用例中使用哪种模型的建议。我们得出结论，将t2vec与经典模型结合使用可能是识别相似轨迹的最佳方法。最后，为了促进科学进步，我们允许公众访问所有训练有素的t2vec模型和实验脚本。据我们所知，这是同类中最大的收藏。我们的解决方案是基于一组定义明确的系统实验的方法。我们使用两个真实世界的数据集，在鲁棒性和相似性语义方面将t2vec与经典模型进行了比较。我们给出了在可能的应用场景和用例中使用哪种模型的建议。我们得出结论，将t2vec与经典模型结合使用可能是识别相似轨迹的最佳方法。最后，为了促进科学进步，我们允许公众访问所有训练有素的t2vec模型和实验脚本。据我们所知，这是同类中最大的收藏。我们的解决方案是基于一组定义明确的系统实验的方法。我们使用两个真实世界的数据集，在鲁棒性和相似性语义方面将t2vec与经典模型进行了比较。我们给出了在可能的应用场景和用例中使用哪种模型的建议。我们得出结论，将t2vec与经典模型结合使用可能是识别相似轨迹的最佳方法。最后，为了促进科学进步，我们允许公众访问所有训练有素的t2vec模型和实验脚本。据我们所知，这是同类中最大的收藏。我们给出了在可能的应用场景和用例中使用哪种模型的建议。我们得出结论，将t2vec与经典模型结合使用可能是识别相似轨迹的最佳方法。最后，为了促进科学进步，我们允许公众访问所有训练有素的t2vec模型和实验脚本。据我们所知，这是同类中最大的收藏。我们给出了在可能的应用场景和用例中使用哪种模型的建议。我们得出结论，将t2vec与经典模型结合使用可能是识别相似轨迹的最佳方法。最后，为了促进科学进步，我们允许公众访问所有训练有素的t2vec模型和实验脚本。据我们所知，这是同类中最大的收藏。