論文の概要: Self-supervised Trajectory Representation Learning with Temporal
Regularities and Travel Semantics
- arxiv url: http://arxiv.org/abs/2211.09510v2
- Date: Mon, 21 Nov 2022 09:53:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 14:55:31.202520
- Title: Self-supervised Trajectory Representation Learning with Temporal
Regularities and Travel Semantics
- Title(参考訳): 時相正規性と旅行意味論を用いた自己教師付き軌道表現学習
- Authors: Jiawei Jiang, Dayan Pan, Houxing Ren, Xiaohan Jiang, Chao Li, Jingyuan
Wang
- Abstract要約: Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。
既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。
本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習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): 23.4292825456711
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory Representation Learning (TRL) is a powerful tool for
spatial-temporal data analysis and management. TRL aims to convert complicated
raw trajectories into low-dimensional representation vectors, which can be
applied to various downstream tasks, such as trajectory classification,
clustering, and similarity computation. Existing TRL works usually treat
trajectories as ordinary sequence data, while some important spatial-temporal
characteristics, such as temporal regularities and travel semantics, are not
fully exploited. To fill this gap, we propose a novel Self-supervised
trajectory representation learning framework with TemporAl Regularities and
Travel semantics, namely START. The proposed method consists of two stages. The
first stage is a Trajectory Pattern-Enhanced Graph Attention Network (TPE-GAT),
which converts the road network features and travel semantics into
representation vectors of road segments. The second stage is a Time-Aware
Trajectory Encoder (TAT-Enc), which encodes representation vectors of road
segments in the same trajectory as a trajectory representation vector,
meanwhile incorporating temporal regularities with the trajectory
representation. Moreover, we also design two self-supervised tasks, i.e.,
span-masked trajectory recovery and trajectory contrastive learning, to
introduce spatial-temporal characteristics of trajectories into the training
process of our START framework. The effectiveness of the proposed method is
verified by extensive experiments on two large-scale real-world datasets for
three downstream tasks. The experiments also demonstrate that our method can be
transferred across different cities to adapt heterogeneous trajectory datasets.
- Abstract(参考訳): Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。
TRLは、複雑な生の軌跡を低次元の表現ベクトルに変換し、軌道分類、クラスタリング、類似性計算などの様々な下流タスクに適用することを目的としている。
既存のTRL作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。
このギャップを埋めるために,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
提案手法は2段階からなる。
最初の段階はTPE-GAT(Trajectory Pattern-Enhanced Graph Attention Network)であり、道路網の特徴と走行意味を道路セグメントの表現ベクトルに変換する。
第2段階は、時間認識軌道エンコーダ(TAT-Enc)であり、軌跡表現ベクトルと同じ軌跡内の道路セグメントの表現ベクトルを符号化し、同時に軌道表現に時間正規性を組み込む。
さらに,トラジェクタの空間的-時間的特性をスタートフレームワークのトレーニングプロセスに導入するために,スパンマッシュ軌道リカバリと軌道コントラスト学習という2つの自己教師付きタスクも設計した。
提案手法の有効性は,3つのダウンストリームタスクに対する2つの大規模実世界データセットの広範な実験により検証された。
また, 異種軌跡データセットを適応させるために, 異種都市間を移動可能であることを示した。
関連論文リスト
- GTM: General Trajectory Modeling with Auto-regressive Generation of
Feature Domains [36.669502381935985]
General Trajectory Model (GTM) は、正規およびスパース軌跡に基づく様々なタスクをサポートすることを目的としている。
GTMは、再サンプリングされたスパース粒子が与えられた高密度サンプル軌道を再構成することで事前訓練される。
論文 参考訳(メタデータ) (2024-02-11T15:49:50Z) - D2-TPred: Discontinuous Dependency for Trajectory Prediction under
Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。
実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文 参考訳(メタデータ) (2022-07-21T10:19:07Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳(メタデータ) (2022-05-31T01:19:18Z) - 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) - ST2Vec: Spatio-Temporal Trajectory Similarity Learning in Road Networks [27.452831603278565]
本稿では,2対の軌跡間の微粒な空間的・時間的関係を考慮した軌道学習型アーキテクチャST2Vecを提案する。
カリキュラムの概念にインスパイアされたST2Vecは、モデル最適化のためのカリキュラム学習を採用し、収束性と有効性の両方を改善している。
実験的研究は、ST2Vecがすべての最先端の競争相手を、有効性、効率、堅牢性で大きく上回っていることを示す。
論文 参考訳(メタデータ) (2021-12-17T06:18:04Z) - 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) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳(メタデータ) (2021-07-23T03:33:29Z) - Vehicle Trajectory Prediction in City-scale Road Networks using a
Direction-based Sequence-to-Sequence Model with Spatiotemporal Attention
Mechanisms [1.027974860479791]
都市規模での車両のトレイ予測は、車両ナビゲーション、交通管理、位置ベースの推奨など、様々な位置情報ベースのアプリケーションにとって非常に重要である。
既存の方法は通常、軌跡をグリッドセル、道路セグメントまたは意図のシーケンスとして表現する。
D-LSTMと呼ばれる新しいシーケンス・ツー・シーケンスモデルを提案する。このモデルでは,各トラジェクトリを交点と関連する移動方向のシーケンスとして表現し,将来の世代のためにLSTMエンコーダ・デコーダネットワークに入力する。
論文 参考訳(メタデータ) (2021-06-21T15:14:28Z) - Spatial-Temporal Dual Graph Neural Networks for Travel Time Estimation [5.614908141182951]
時空間デュアルグラフニューラルネットワーク(STDGNN)を用いた旅行時間推定のためのグラフベースディープラーニングフレームワークを提案する。
まず,交差点と道路セグメントの複雑な相関関係を捉えるために,時空間二重グラフアーキテクチャを構築した。
交差点と道路セグメントの連立時空間ダイナミクスを捉えるために,空間時空間学習層を採用する。
論文 参考訳(メタデータ) (2021-05-28T05:15:45Z) - A Deep Learning Framework for Generation and Analysis of Driving
Scenario Trajectories [2.908482270923597]
本研究では,運転シナリオトラジェクトリの生成と解析のための統合型ディープラーニングフレームワークを提案する。
本研究では,フィールド内データ収集から得られた実世界のシナリオトラジェクトリにおけるフレームワークの性能について実験的に検討する。
論文 参考訳(メタデータ) (2020-07-28T23:33:05Z) - 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。