論文の概要: Jointly Contrastive Representation Learning on Road Network and Trajectory

• arxiv url: http://arxiv.org/abs/2209.06389v1
• Date: Wed, 14 Sep 2022 03:08:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 12:44:51.281121
• Title: Jointly Contrastive Representation Learning on Road Network and Trajectory
• Title（参考訳）: 道路網と軌道上の連立コントラスト表現学習
• Authors: Zhenyu Mao, Ziyue Li, Dedong Li, Lei Bai, Rui Zhao
• Abstract要約: 道路網と軌道表現学習は交通システムにとって不可欠である。 既存の方法では、道路網と軌道を別々に扱うなど、同じスケールでしかコントラストがない。 本稿では,道路網と軌道表現を両立させる統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.613962590641002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road network and trajectory representation learning are essential for traffic systems since the learned representation can be directly used in various downstream tasks (e.g., traffic speed inference, and travel time estimation). However, most existing methods only contrast within the same scale, i.e., treating road network and trajectory separately, which ignores valuable inter-relations. In this paper, we aim to propose a unified framework that jointly learns the road network and trajectory representations end-to-end. We design domain-specific augmentations for road-road contrast and trajectory-trajectory contrast separately, i.e., road segment with its contextual neighbors and trajectory with its detour replaced and dropped alternatives, respectively. On top of that, we further introduce the road-trajectory cross-scale contrast to bridge the two scales by maximizing the total mutual information. Unlike the existing cross-scale contrastive learning methods on graphs that only contrast a graph and its belonging nodes, the contrast between road segment and trajectory is elaborately tailored via novel positive sampling and adaptive weighting strategies. We conduct prudent experiments based on two real-world datasets with four downstream tasks, demonstrating improved performance and effectiveness. The code is available at https://github.com/mzy94/JCLRNT.
• Abstract（参考訳）: 道路網と軌道表現学習は、学習された表現が様々な下流タスク(例えば、交通速度推定や旅行時間推定)で直接使用できるため、交通システムにとって不可欠である。 しかし,既存の手法では,道路網と軌道を別々に扱い,重要な相互関係を無視する手法がほとんどである。 本稿では,道路網と軌道表現のエンドツーエンド化を共同で学習する統合フレームワークを提案する。 道路のコントラストと軌道-軌道のコントラストのドメイン固有の拡張をそれぞれ分離して設計する。 さらに,道路軌道のクロススケールコントラストを導入し,全相互情報の最大化により2つのスケールを橋渡しする。 グラフとその属ノードを対比するグラフ上の既存のクロススケールなコントラスト学習法とは異なり、道路セグメントと軌道のコントラストは、新しい正のサンプリングと適応重み付け戦略によって精巧に調整される。 4つのダウンストリームタスクを含む2つの実世界のデータセットに基づく慎重な実験を行い、パフォーマンスと有効性の向上を実証した。 コードはhttps://github.com/mzy94/jclrntで入手できる。

関連論文リスト

• Grid and Road Expressions Are Complementary for Trajectory Representation Learning [40.94269411061165]
  トラジェクトリ表現学習(TRL)は、多くの下流タスクに使用できるベクトルにトラジェクトリをマッピングする。 既存のTRL法では、グリッドトラジェクトリ、自由空間における移動のキャプチャー、道路トラジェクトリ、道路ネットワークにおける移動のキャプチャーのいずれかを入力として使用する。 GREENと呼ばれる新しいマルチモーダルTRL手法を提案する。
  論文  参考訳（メタデータ） (2024-11-22T07:15:46Z)
• Trajectory Representation Learning on Road Networks and Grids with Spatio-Temporal Dynamics [0.8655526882770742]
  軌道表現学習は、スマートシティや都市計画など分野の応用における基本的な課題である。 本稿では,時間的ダイナミクスを取り入れつつ,グリッドと道路ネットワークのモダリティを統合する新しいモデルであるTIGRを提案する。 実世界の2つのデータセット上でTIGRを評価し,両モードの組み合わせの有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-21T10:56:02Z)
• SemanticFormer: Holistic and Semantic Traffic Scene Representation for Trajectory Prediction using Knowledge Graphs [3.733790302392792]
  自動運転におけるトレイ予測は、運転シーンのすべての関連状況の正確な表現に依存している。 本稿では,交通シーングラフの推論によるマルチモーダル軌道の予測手法であるSemanticFormerを提案する。
  論文  参考訳（メタデータ） (2024-04-30T09:11:04Z)
• Semantic-Enhanced Representation Learning for Road Networks with Temporal Dynamics [33.940044533340235]
  道路網の汎用表現を学習するためのToastという新しいフレームワークと、その先進的なDyToastを紹介する。 具体的には,交通パターンと走行意味論という,道路ネットワークに固有の2つの重要な意味的特徴を符号化することを提案する。 提案するフレームワークは,最先端のベースラインを大きなマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2024-03-18T05:59:56Z)
• Heterogeneous Graph-based Trajectory Prediction using Local Map Context and Social Interactions [47.091620047301305]
  本稿では,3つの重要な情報源を活用することにより,欠点に対処するベクトルベース軌道予測手法を提案する。 まず,その関係の性質と重要な特徴を考慮に入れたセマンティックシーングラフを用いて,トラフィックエージェント間のインタラクションをモデル化する。 第2に,ローカルマップコンテキストをモデル化するために,エージェント中心の画像中心マップの特徴を抽出する。
  論文  参考訳（メタデータ） (2023-11-30T13:46:05Z)
• 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)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。