論文の概要: DouFu: A Double Fusion Joint Learning Method For Driving Trajectory
Representation
- arxiv url: http://arxiv.org/abs/2205.08356v2
- Date: Fri, 14 Oct 2022 05:11:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 16:59:22.286521
- Title: DouFu: A Double Fusion Joint Learning Method For Driving Trajectory
Representation
- Title(参考訳): DouFu: 軌道表現を駆動するための二重融合統合学習法
- Authors: Han Wang, Zhou Huang, Xiao Zhou, Ganmin Yin, Yi Bao, Yi Zhang
- Abstract要約: 軌道表現型共同学習のための新しい多モード融合モデルDouFuを提案する。
まず、軌道データと都市機能ゾーンから生成された動き、経路、グローバルな特徴を設計する。
グローバルなセマンティック機能により、DouFuは各行に対して包括的な埋め込みを生成する。
- 参考スコア(独自算出の注目度): 13.321587117066166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving trajectory representation learning is of great significance for
various location-based services, such as driving pattern mining and route
recommendation. However, previous representation generation approaches tend to
rarely address three challenges: 1) how to represent the intricate semantic
intentions of mobility inexpensively; 2) complex and weak spatial-temporal
dependencies due to the sparsity and heterogeneity of the trajectory data; 3)
route selection preferences and their correlation to driving behavior. In this
paper, we propose a novel multimodal fusion model, DouFu, for trajectory
representation joint learning, which applies multimodal learning and attention
fusion module to capture the internal characteristics of trajectories. We first
design movement, route, and global features generated from the trajectory data
and urban functional zones and then analyze them respectively with the
attention encoder or feed forward network. The attention fusion module
incorporates route features with movement features to create a better
spatial-temporal embedding. With the global semantic feature, DouFu produces a
comprehensive embedding for each trajectory. We evaluate representations
generated by our method and other baseline models on classification and
clustering tasks. Empirical results show that DouFu outperforms other models in
most of the learning algorithms like the linear regression and the support
vector machine by more than 10%.
- Abstract(参考訳): 走行軌道表現学習は、運転パターンマイニングやルートレコメンデーションなど、様々な位置情報ベースのサービスにとって非常に重要である。
しかし、従来の表現生成アプローチは3つの課題にほとんど対処しない。
1) 移動性の複雑な意味的意図を安価に表現する方法
2) 軌道データのスパース性及び不均一性に起因する複雑で弱い時空間依存性
3)経路選択選好と運転行動との関連性
本稿では,多モーダル学習とアテンション融合モジュールを応用し,トラジェクトリの内部特性を捉えた,トラジェクトリ表現型共同学習のための新しい多モーダル融合モデルDouFuを提案する。
まず、軌跡データと都市機能ゾーンから生成された動き、経路、グローバルな特徴を設計し、それぞれアテンションエンコーダまたはフィードフォワードネットワークを用いて分析する。
注意融合モジュールは、より優れた空間的時間的埋め込みを作成するために、移動機能を備えた経路特徴を組み込む。
グローバルなセマンティック機能により、DouFuは各行に対して包括的な埋め込みを生成する。
本手法および他のベースラインモデルによって生成された表現を分類およびクラスタリングタスクで評価する。
実験の結果、doufuは線形回帰やサポートベクターマシンといった学習アルゴリズムのほとんどにおいて、他のモデルよりも10%以上優れていた。
関連論文リスト
- Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models [27.316692263196277]
MVTrajは、軌道表現学習のための新しい多視点モデリング手法である。
GPSから道路網、関心点まで多様な文脈知識を統合し、軌跡データのより包括的な理解を提供する。
実世界のデータセットに対する大規模な実験により、MVTrajは様々な空間ビューに関連するタスクにおいて、既存のベースラインを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2024-10-17T03:56:12Z) - Micro-Macro Spatial-Temporal Graph-based Encoder-Decoder for Map-Constrained Trajectory Recovery [21.911875343270683]
スパース軌道におけるGPSの欠落は、インテリジェント交通システムにおけるユーザの移動行動に深い洞察を与える可能性がある。
個々の軌道のマイクロセマンティックを包括的に捉えることは極めて困難である。
本研究では,マイクロマクロ空間グラフデコーダ(MM-STGED)を提案する。
論文 参考訳(メタデータ) (2024-04-29T22:54:35Z) - More Than Routing: Joint GPS and Route Modeling for Refine Trajectory
Representation Learning [26.630640299709114]
本稿では,JGRMという自己監督技術に基づく共同GPSとルートモデリングを提案する。
我々は2つのエンコーダを開発し、それぞれルートとGPSの軌跡を表現できるように調整した。
2つのモードからの表現は、モーダル間情報相互作用のための共有変換器に入力される。
論文 参考訳(メタデータ) (2024-02-25T18:27:25Z) - Rethinking Range View Representation for LiDAR Segmentation [66.73116059734788]
「多対一」マッピング、意味的不整合、形状変形は、射程射影からの効果的な学習に対する障害となる可能性がある。
RangeFormerは、ネットワークアーキテクチャ、データ拡張、後処理を含む新しい設計を含む、フルサイクルのフレームワークである。
比較対象のLiDARセマンティックスとパノプティックスセグメンテーションのベンチマークにおいて,初めてレンジビュー法が点,ボクセル,マルチビューフュージョンを越えられることを示す。
論文 参考訳(メタデータ) (2023-03-09T16:13:27Z) - Hybrid Routing Transformer for Zero-Shot Learning [83.64532548391]
本稿ではハイブリッド・ルーティング・トランス (HRT) と呼ばれる新しいトランス・デコーダモデルを提案する。
ボトムアップとトップダウンの動的ルーティング経路の両方で構築されたアクティブアテンションを組み込んで,属性に整合した視覚的特徴を生成する。
HRTデコーダでは,属性対応の視覚特徴,対応する属性セマンティクス,およびクラス属性ベクトル間の相関関係を静的なルーティングで計算し,最終クラスラベルの予測を生成する。
論文 参考訳(メタデータ) (2022-03-29T07:55:08Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳(メタデータ) (2021-11-30T04:30:10Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳(メタデータ) (2021-04-19T11:48:13Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳(メタデータ) (2021-03-01T06:47:29Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - Mobility Inference on Long-Tailed Sparse Trajectory [2.4444287331956898]
大規模トラジェクトリデータにおいて,汎用的な長い尾の空間パターンを利用する単一トラジェクトリ推論アルゴリズムを提案する。
このアルゴリズムは、リコールにおける証明可能な低いバウンドで、滞在/旅行推論における100%の精度を保証する。
都市ユーザ4000万人を対象とした3つの軌跡データセットによる評価は,提案アルゴリズムの性能保証を検証した。
論文 参考訳(メタデータ) (2020-01-21T16:32:38Z)
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。