随着人们出行需求的大幅增加和各类交通工具数量的迅速增长,对轨迹数据进行分析和挖掘开始受到广泛的关注和重视。得益于智能交通系统在各大城市的普及应用,大量的车辆轨迹数据得以被记录和保存起来。通过对车辆的历史轨迹进行分析和挖掘,能够产生许多重要的应用,例如对车辆的下一位置进行预测、发现特定类别车辆的移动模式等。在这些应用中,车辆类别预测试图通过车辆的历史轨迹预测该车辆所属的类别,从而为多种多样、纷繁复杂的轨迹添加合理的车辆类别标注,使得其他轨迹挖掘应用通过附加的类别标注能够对轨迹数据有更全面的了解,从而取得更好的效果。研究基于历史轨迹的车辆类别预测问题,其关键是从历史轨迹中提取车辆特征。现有的特征提取方法主要包括人工特征提取、矩阵分解或张量分解等方式。早期的研究方法集中在人工特征提取上,需要具备特定领域的知识,并依赖于特定领域的专家从车辆轨迹中手动抽取和选择特征。这种方法的缺点在于不仅需要耗费大量人力和时间,而且很多时候以人工方式提取到的特征也不够全面,因而该方法应用在车辆类别预测上的效果并不好。之后,一些模型通过从历史轨迹中统计车辆到访各个位置的频次,获得反映不同车辆对于各个位置到访偏好的矩阵或张量。借鉴协同过滤的思想,通过对该矩阵或张量进行分解来获得车辆特征。按照这种方式获得的车辆特征仅从到访偏好矩阵中提取特征,忽视了原始轨迹数据中包含的时序相关性信息,因而在车辆类别预测任务上的表现无法令人满意。随着深度学习在计算机领域的广泛应用,一些基于神经网络的特征学习模型开始受到研究人员的关注。得益于深度学习模型在提取高维特征上的出色能力,这些模型能从原始数据中学习到更全面、更丰富的特征。在这些相关研究的基础之上,我们提出了一个双角度车辆特征学习模型(DVFL)。该模型从车辆和位置两个角度分别构建特征学习模型,以无监督的方式学习车辆特征。首先,从车辆的角度,我们基于给定车辆的历史轨迹,构建模型通过该车辆和其轨迹中的某个位置,对车辆在该位置之前和之后一定时间范围内可能会到访的位置进行预测;其次,从位置的角度,我们基于给定位置的到访车辆列表,构建模型通过该位置和其车辆到访列表中的某个车辆,对前后一定时间范围内也出现在该位置的车辆进行预测;然后,我们将两个特征学习模型结合到一起并共享车辆特征和位置特征,形成最终的双角度车辆特征学习模型。利用交替训练策略和随机梯度下降法对模型进行训练,从而获得车辆的特征向量。最后,通过将特征向量应用在分类器上,训练分类器进行车辆类别预测。我们将本文提出的模型和现有的基准模型一起应用在两个真实的数据集上并进行了大量的对比实验。实验结果表明双角度车辆特征学习模型在车辆类别预测任务上取得了出色的效果,并在各项评测指标上优于现有模型,证实了模型的正确性和有效性,表明该模型具有一定的应用价值,能够进行推广并应用于实践中。