論文の概要: Trajectory Test-Train Overlap in Next-Location Prediction Datasets

• arxiv url: http://arxiv.org/abs/2203.03208v1
• Date: Mon, 7 Mar 2022 08:39:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-08 17:49:53.022311
• Title: Trajectory Test-Train Overlap in Next-Location Prediction Datasets
• Title（参考訳）: 次の位置予測データセットにおける軌道テスト-トレイン重なり
• Authors: Massimiliano Luca, Luca Pappalardo, Bruno Lepri, Gianni Barlacchi
• Abstract要約: 次の位置予測は、都市計画、ジオマーケティング、病気の普及など、いくつかの分野で重要な意味を持つ。 本稿では,これらの予測器の公共モビリティデータセット上での一般化能力を検証した。 本研究では,空間移動パターンに基づく次位置予測器の出力を再現する手法を提案する。
• 参考スコア（独自算出の注目度）: 5.039138978031649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next-location prediction, consisting of forecasting a user's location given their historical trajectories, has important implications in several fields, such as urban planning, geo-marketing, and disease spreading. Several predictors have been proposed in the last few years to address it, including last-generation ones based on deep learning. This paper tests the generalization capability of these predictors on public mobility datasets, stratifying the datasets by whether the trajectories in the test set also appear fully or partially in the training set. We consistently discover a severe problem of trajectory overlapping in all analyzed datasets, highlighting that predictors memorize trajectories while having limited generalization capacities. We thus propose a methodology to rerank the outputs of the next-location predictors based on spatial mobility patterns. With these techniques, we significantly improve the predictors' generalization capability, with a relative improvement on the accuracy up to 96.15% on the trajectories that cannot be memorized (i.e., low overlap with the training set).
• Abstract（参考訳）: ユーザの位置を過去の軌跡から予測する次の位置予測は、都市計画、ジオマーケティング、疾病の拡散など、いくつかの分野で重要な意味を持つ。 ディープラーニングに基づく最終世代など、この問題に対処するいくつかの予測器がここ数年提案されている。 本稿では,これらの予測器の一般化機能をパブリックモビリティデータセット上でテストし,テストセットの軌跡がトレーニングセットに完全か部分的に現れるかによって,データセットの階層化を行う。 我々は,すべての解析データセットにおける軌道重なりの深刻な問題を一貫して発見し,予測者が一般化能力の制限を保ちながら軌跡を記憶できることを強調した。 そこで本稿では,空間移動パターンに基づく次位置予測器の出力を再現する手法を提案する。 これらの手法により,予測器の一般化能力を大幅に向上し,記憶できない軌道上での精度を96.15%向上させた(トレーニングセットとの重なりが低い)。

関連論文リスト

• Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking [7.9449756510822915]
  TrajImputeは、観測された軌道の座標をシミュレートする歩行者軌道予測データセットである。 本研究では,欠落した座標を再構築するためのいくつかの計算手法について検討し,歩行者軌道の計算のためのベンチマークを行う。 本データセットは,今後の歩行者軌跡予測研究の基盤となる資料を提供する。
  論文  参考訳（メタデータ） (2024-10-31T19:42:42Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Knowledge-aware Graph Transformer for Pedestrian Trajectory Prediction [15.454206825258169]
  歩行者運動軌跡の予測は、自動運転車の経路計画と移動制御に不可欠である。 近年の深層学習に基づく予測手法は、主に軌跡履歴や歩行者間の相互作用などの情報を利用する。 本稿では,予測性能を向上させるためのグラフトランス構造を提案する。
  論文  参考訳（メタデータ） (2024-01-10T01:50:29Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Uncertainty estimation for Cross-dataset performance in Trajectory prediction [1.9399281609371257]
  本研究では,4つのデータセット間での最先端軌跡予測手法の性能について検討した。 我々は、どのデータセットが他で最もうまく機能するかを強調し、不確実性推定がより優れた転送可能なパフォーマンスを実現する方法について研究する。
  論文  参考訳（メタデータ） (2022-05-15T15:28:02Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Improved Fine-tuning by Leveraging Pre-training Data: Theory and Practice [52.11183787786718]
  対象データに事前学習されたモデルを微調整することは、多くのディープラーニングアプリケーションで広く利用されている。 近年の研究では、スクラッチからのトレーニングが、この事前トレーニング戦略に比較して、最終的なパフォーマンスを示すことが実証されている。 本稿では,対象タスクの一般化を改善するために,事前学習データからサブセットを選択する新しい選択戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-24T06:18:32Z)
• MTP: Multi-Hypothesis Tracking and Prediction for Reduced Error Propagation [39.41917241231786]
  本稿では,トラッキングモジュールと予測モジュールの結合に着目し,カスケードエラーの問題に対処する。 最先端の追跡・予測ツールを用いて,追跡による誤差が予測性能に与える影響を総合的に評価した。 このフレームワークは、nuScenesデータセット上で標準の単一仮説追跡予測パイプラインを最大34.2%改善する。
  論文  参考訳（メタデータ） (2021-10-18T17:30:59Z)
• Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning [6.015556590955814]
  ローカルプランニング」アプローチでは,次回のサンプリング場所の優先順位が予測性能や帰路距離に与える影響を調査するために,様々な空間範囲が採用されている。 温度モニタリングロボットの使用事例実験により、プランナーの動的混合物は高度な情報プランを生成できるだけでなく、予測信頼性を犠牲にすることなく、大幅に距離を縮めることができることが示された。
  論文  参考訳（メタデータ） (2021-08-14T21:32:33Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。