論文の概要: Destination Prediction Based on Partial Trajectory Data
- arxiv url: http://arxiv.org/abs/2004.07473v1
- Date: Thu, 16 Apr 2020 06:26:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 20:42:41.326881
- Title: Destination Prediction Based on Partial Trajectory Data
- Title(参考訳): 部分軌道データに基づく目的地予測
- Authors: Patrick Ebel, Ibrahim Emre G\"ol, Christoph Lingenfelder and Andreas
Vogelsang
- Abstract要約: 新車を買う人の3分の2は、内蔵のナビゲーションシステムの代わりに代用車を好んでいる。
多くのアプリケーションでは、ユーザの意図する目的地やルートに関する知識が不可欠である。
提案手法は,最新の部分軌跡と追加の文脈データに基づいて,車両の行き先や経路を予測する。
- 参考スコア(独自算出の注目度): 4.783019576803369
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two-thirds of the people who buy a new car prefer to use a substitute instead
of the built-in navigation system. However, for many applications, knowledge
about a user's intended destination and route is crucial. For example,
suggestions for available parking spots close to the destination can be made or
ride-sharing opportunities along the route are facilitated. Our approach
predicts probable destinations and routes of a vehicle, based on the most
recent partial trajectory and additional contextual data. The approach follows
a three-step procedure: First, a $k$-d tree-based space discretization is
performed, mapping GPS locations to discrete regions. Secondly, a recurrent
neural network is trained to predict the destination based on partial sequences
of trajectories. The neural network produces destination scores, signifying the
probability of each region being the destination. Finally, the routes to the
most probable destinations are calculated. To evaluate the method, we compare
multiple neural architectures and present the experimental results of the
destination prediction. The experiments are based on two public datasets of
non-personalized, timestamped GPS locations of taxi trips. The best performing
models were able to predict the destination of a vehicle with a mean error of
1.3 km and 1.43 km respectively.
- Abstract(参考訳): 新車を買う人の3分の2は、内蔵のナビゲーションシステムの代わりに代用車を好んでいる。
しかし、多くのアプリケーションでは、ユーザの意図する目的地やルートに関する知識が不可欠である。
例えば、目的地近くで利用可能な駐車場の提案や、沿線での乗り合いの機会の確保などが可能である。
提案手法は,最新の部分軌跡と追加の文脈データに基づいて,車両の行き先や経路を予測する。
まず、$k$-dツリーベースの空間離散化が行われ、GPS位置を離散領域にマッピングする。
次に、リカレントニューラルネットワークをトレーニングし、軌道の部分的なシーケンスに基づいて目的地を予測する。
ニューラルネットワークは目的地スコアを生成し、目的地となる各領域の確率を示す。
最後に、最も確率の高い目的地へのルートを算出する。
提案手法を評価するため,複数のニューラルアーキテクチャを比較し,目的地予測の実験結果を示す。
この実験は、タクシー旅行の非パーソナライズされたタイムスタンプgpsロケーションの2つの公開データセットに基づいている。
最高性能のモデルはそれぞれ1.3kmと1.43kmの誤差で車両の目的地を予測することができた。
関連論文リスト
- GoalNet: Goal Areas Oriented Pedestrian Trajectory Prediction [1.9253333342733674]
歩行者の目標領域に基づく新しい軌道予測ニューラルネットワークを提案する。
GoalNetは、従来の最先端のパフォーマンスをJAADで48.7%、PIEデータセットで40.8%改善した。
論文 参考訳(メタデータ) (2024-02-29T09:53:19Z) - Predicting Drivers' Route Trajectories in Last-Mile Delivery Using A
Pair-wise Attention-based Pointer Neural Network [5.092311422459955]
最終マイルの配達では、道路や縁石のインフラについて暗黙の知識があるため、ドライバーは計画されたルートから逸脱する。
人間のドライバーが従うような実際の停止シーケンスを予測することは、ラストマイル配送におけるルート計画を改善するのに役立つ。
本稿では、ドライバーの過去の配送軌跡データを用いて、この予測タスクのためのペアワイズアテンションに基づくポインターニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2023-01-10T06:11:20Z) - Multi-Vehicle Trajectory Prediction at Intersections using State and
Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。
この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。
この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文 参考訳(メタデータ) (2023-01-06T15:13:23Z) - Multi-modal Transformer Path Prediction for Autonomous Vehicle [15.729029675380083]
ターゲットエージェントの長期的軌跡予測を目的としたMTPP(Multi-modal Transformer Path Prediction)と呼ばれる経路予測システムを提案する。
より正確な経路予測を実現するため,トランスフォーマーアーキテクチャをモデルに適用した。
実世界の軌跡予測データセットであるnuSceneを用いて,提案システムの有効性を定量的に評価した。
論文 参考訳(メタデータ) (2022-08-15T15:09:26Z) - ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。
学習と計画を統合する学習に基づくアプローチを提案する。
ViKiNGは、画像ベースの学習コントローラを利用できる。
論文 参考訳(メタデータ) (2022-02-23T02:14:23Z) - PePScenes: A Novel Dataset and Baseline for Pedestrian Action Prediction
in 3D [10.580548257913843]
nuScenesにフレーム毎の2D/3Dバウンディングボックスと動作アノテーションを追加して作成された新しい歩行者行動予測データセットを提案する。
また,歩行者横断行動予測のための様々なデータモダリティを組み込んだハイブリッドニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-12-14T18:13:44Z) - Probabilistic Multi-modal Trajectory Prediction with Lane Attention for
Autonomous Vehicles [10.485790589381704]
軌道予測は自動運転車にとって不可欠である。
レーン表現のための新しいインスタンス認識表現を提案する。
提案したレーン表現とレーンアテンションモジュールは,広く使用されているエンコーダデコーダフレームワークに統合可能であることを示す。
論文 参考訳(メタデータ) (2020-07-06T07:57:23Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳(メタデータ) (2020-06-24T04:45:14Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳(メタデータ) (2020-04-26T00:01:49Z) - It Is Not the Journey but the Destination: Endpoint Conditioned
Trajectory Prediction [59.027152973975575]
フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。
PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。
我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
論文 参考訳(メタデータ) (2020-04-04T21:27:13Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳(メタデータ) (2020-02-20T18:50:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。