在智能交通的各个领域中，开发有效的路径表征变得越来越重要。尽管预训练的路径表征学习模型表现出了不错的性能，但它们主要关注单模态数据的拓扑结构，如道路网络，而忽略了与路径图像（如遥感图像）相关的几何和上下文特征。整合来自多种模态的信息可以提供更全面的视角，提高表征精度和泛化能力。然而，信息粒度的差异阻碍了基于路网的路径（道路路径）和基于图像的路径（图像路径）的语义对齐，同时多模态数据的异构性也给有效融合和利用带来了巨大挑战。本文提出一种新的多模态、多粒度的路径表征学习框架（MM-Path），通过整合道路路径和图像路径这两种模态来学习通用的路径表征。为增强多模态数据的对齐，我们提出了一种多粒度对齐策略，系统地将节点、道路子路径和道路路径与其对应的图像块关联起来，确保详细的局部信息和更广泛的全局上下文的同步。为了有效解决多模态数据的异构性，我们提出了一种基于图的跨模态残差融合组件，旨在全面融合不同模态和粒度的信息。最后，在两个下游任务下的两个大规模真实数据集上进行了广泛的实验，验证了MM-Path的有效性。

城市，作为一个复杂的空间与人文系统，其中存在着多种类型的兴趣点，如商场、银行等。兴趣点数据具有覆盖范围广、快速、获取简单等特点。了解与表征城市对便利居民生活、高效利用土地资源、改善城市功能区感知以及助力智慧城市建设等有着重要支撑作用，具有重要的学术价值和现实意义。

随着城市的发展与扩张，城市区域常常会偏离原有类型。使用频繁更新的数据及时了解与表征城市区域，预测城市区域类型，对城市规划有着重要的意义。同时，其可以为人类移动轨迹预测、面向用户的位置推荐等城市相关任务提供辅助信息，具有重要的支撑作用。城市区域内包含非常多的兴趣点信息，我们的目标是通过挖掘区域内频繁更新的兴趣点数据，进行城市区域表征学习与区域类型预测。

许多兴趣点（POI）缺乏语义标注，无法补充兴趣点的表示，这对于用户探索新的场所以及基于语义的推荐服务、城市计算等产生了巨大的阻碍。
给定用户签到轨迹以及类别标签的层次结构，我们的目标是将兴趣点以及类别标签映射到向量空间中，然后基于兴趣点向量和类别向量为无类别标签的兴趣点预测类别。

本次搭建了基于Hexo+GitHub的个人博客，博客中包括了个人简介，一些发表的论文介绍，以及搭建个人博客的教程和总结。

未来，这个博客也会用于记录生活、分享技术、分享科研进展。

本教程手把手介绍了如何使用Hexo+GitHub 搭建个人博客。