TrajDL提供了轨迹数据挖掘领域中的多个SOTA深度学习模型的实现，为研究人员、工程师提供易用、高效、可靠的开发工具，可以快速开展实验和应用开发。TrajDL有几个关键特性：

基于Arrow，Pytorch和Lightning

TrajDL的数据部分构建在Arrow之上，模型部分构建在Pytorch之上，训练与验证流程构建在Lightning之上，充分结合各个框架工具的优势。
高效的工具

TrajDL提供了高效的工具，比如高效的Dataset，Tokenizer，GridSystem。出色的零拷贝特性可以显著降低数据的处理时间，节省内存使用。高效的Tokenizer和GridSystem可以随时转换数据，无需预先处理数据。
可扩展性

TrajDL高度模块化，不会约束用户的代码，用户可以随时从TrajDL里面取出自己需要使用的工具。TrajDL还打通了与Polars，Pandas，PyArrow等工具的接口，用户使用常用的科学计算工具处理后的数据可以轻松导入到TrajDL的数据体系。另外TrajDL同时支持API与配置文件两种方式开展实验与开发，尽可能提升用户体验。
包含SOTA模型的实验复现脚本

TrajDL提供了SOTA模型的复现脚本，用户可以通过脚本重现论文内的实验结果，部分场景下TrajDL具备比论文场景更优的效果。

文档 📕

简体中文文档参阅：简体中文文档

English documentation will be provided in subsequent versions.

Benchmark 🚀

scripts/benchmark目录下存储了TrajDL提供的benchmark复现脚本，针对各个论文使用TrajDL进行了实验复现。

本项目使用Apache License 2.0，详见LICENSE。