論文の概要: RNTrajRec: Road Network Enhanced Trajectory Recovery with
Spatial-Temporal Transformer
- arxiv url: http://arxiv.org/abs/2211.13234v1
- Date: Wed, 23 Nov 2022 11:28:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 14:57:23.846479
- Title: RNTrajRec: Road Network Enhanced Trajectory Recovery with
Spatial-Temporal Transformer
- Title(参考訳): RNTrajRec:時空間変圧器を用いた道路網の軌道復元
- Authors: Yuqi Chen, Hanyuan Zhang, Weiwei Sun, Baihua Zheng
- Abstract要約: 本稿では,道路網を改良したトランスフォーマーベースフレームワーク RNTrajRec を提案する。
RNTrajRecはまずグラフモデル、すなわちGridGNNを使用して、各道路セグメントの埋め込み機能を学ぶ。
次にサブグラフ生成モジュールを導入し、各GPSポイントをGPSポイント周辺の道路ネットワークのサブグラフ構造として表現する。
- 参考スコア(独自算出の注目度): 15.350300338463969
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GPS trajectories are the essential foundations for many trajectory-based
applications, such as travel time estimation, traffic prediction and trajectory
similarity measurement. Most applications require a large amount of high sample
rate trajectories to achieve a good performance. However, many real-life
trajectories are collected with low sample rate due to energy concern or other
constraints.We study the task of trajectory recovery in this paper as a means
for increasing the sample rate of low sample trajectories. Currently, most
existing works on trajectory recovery follow a sequence-to-sequence diagram,
with an encoder to encode a trajectory and a decoder to recover real GPS points
in the trajectory. However, these works ignore the topology of road network and
only use grid information or raw GPS points as input. Therefore, the encoder
model is not able to capture rich spatial information of the GPS points along
the trajectory, making the prediction less accurate and lack spatial
consistency. In this paper, we propose a road network enhanced
transformer-based framework, namely RNTrajRec, for trajectory recovery.
RNTrajRec first uses a graph model, namely GridGNN, to learn the embedding
features of each road segment. It next develops a Sub-Graph Generation module
to represent each GPS point as a sub-graph structure of the road network around
the GPS point. It then introduces a spatial-temporal transformer model, namely
GPSFormer, to learn rich spatial and temporal features. It finally forwards the
outputs of encoder model into a multi-task decoder model to recover the missing
GPS points. Extensive experiments based on three large-scale real-life
trajectory datasets confirm the effectiveness of our approach.
- Abstract(参考訳): GPSトラジェクトリは、走行時間推定、交通予測、軌道類似度測定など、多くのトラジェクトリベースのアプリケーションにとって重要な基礎となっている。
ほとんどのアプリケーションは、優れた性能を達成するために大量のサンプルレート軌跡を必要とする。
しかし, エネルギー問題などの制約により, 実生活の軌道は低いサンプルレートで収集され, 低サンプル軌道のサンプルレートを増加させる手段として, 本論文における軌道回復の課題について検討する。
現在、軌道回復に関するほとんどの既存の研究は、軌道を符号化するエンコーダと軌道中の実際のgpsポイントを復元するデコーダを備えたシーケンスツーシーケンス図に従っている。
しかし、これらの研究は道路網のトポロジを無視し、グリッド情報や生のGPSポイントのみを入力として使用する。
したがって、エンコーダモデルは軌道に沿ったgpsポイントのリッチな空間情報を捉えることができないため、予測精度が低く、空間的一貫性が欠如している。
本稿では,道路網を改良したトランスフォーマーベースフレームワークであるRNTrajRecを提案する。
RNTrajRecはまずGridGNNというグラフモデルを使用して、各道路セグメントの埋め込み機能を学ぶ。
次に、各GPSポイントをGPSポイント周辺の道路ネットワークのサブグラフ構造として表現するサブグラフ生成モジュールを開発する。
その後、GPSFormerと呼ばれる空間時間変換モデルを導入し、豊富な空間的特徴と時間的特徴を学習する。
最終的にエンコーダモデルの出力をマルチタスクデコーダモデルに転送し、行方不明のGPSポイントを復元する。
3つの大規模実生活軌道データセットに基づく広範な実験により,本手法の有効性を確認した。
関連論文リスト
- GAReT: Cross-view Video Geolocalization with Adapters and Auto-Regressive Transformers [53.80009458891537]
クロスビュービデオのジオローカライゼーションは、ストリートビュービデオからGPSトラジェクトリを空中ビュー画像と整列させることを目的としている。
現在のCVGL法では、現実のシナリオでは一般的に欠落しているカメラとオドメトリーのデータを使用する。
本稿では,カメラやオドメトリーデータを必要としないCVGLのフルトランスフォーマ方式であるGAReTを提案する。
論文 参考訳(メタデータ) (2024-08-05T21:29:33Z) - 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) - Surrogate Modeling of Trajectory Map-matching in Urban Road Networks using Transformer Sequence-to-Sequence Model [1.3812010983144802]
本稿では、オフラインマップマッチングアルゴリズムのサロゲートとして機能するディープラーニングモデル、特にトランスフォーマーベースのエンコーダデコーダモデルを提案する。
このモデルは、ニューヨーク州マンハッタンで収集されたGPSトレースを使って訓練され、評価されている。
論文 参考訳(メタデータ) (2024-04-18T18:39:23Z) - A Critical Perceptual Pre-trained Model for Complex Trajectory Recovery [27.347708962204713]
この研究は、複雑な軌道に対するより堅牢な軌道回復を提供することを目的としている。
本稿では,多視点グラフと複雑度認識変換器(MGCAT)モデルを提案する。
その結果,F1スコアが5.22%,F1スコアが8.16%,複雑なトラジェクトリが8.16%向上した。
論文 参考訳(メタデータ) (2023-11-05T12:20:39Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Traffic Forecasting on New Roads Using Spatial Contrastive Pre-Training
(SCPT) [39.055098754375294]
そこで本研究では,アテンポラルスプリット (ST) スプリット (ST) スプリット (ST) スプリット (ST) と呼ばれる新しいセットアップを導入し,未確認道路に一般化するモデルの能力を評価する。
また,空間コントラスト事前学習(SCPT)と呼ばれる新しいフレームワークを提案し,未確認道路から潜時特徴を抽出する空間エンコーダモジュールを提案する。
SCPTフレームワークはまた、空間エンコーダの出力から既存のバックボーンへの遅延特徴を効果的に結合するために、ゲート付加(SGA)層と呼ばれる新しいレイヤも組み込んでいる。
論文 参考訳(メタデータ) (2023-05-09T07:56:26Z) - DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model [44.490978394267195]
軌道生成のための時空間確率モデル(DiffTraj)を提案する。
中心となる考え方は、逆軌道分解過程を通じて白いノイズから地理的軌跡を再構成し、合成することである。
2つの実世界のデータセットの実験により、DiffTrajは直感的に高忠実な軌道を生成することができることが示された。
論文 参考訳(メタデータ) (2023-04-23T08:42:45Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Learning Spatio-Temporal Transformer for Visual Tracking [108.11680070733598]
本稿では,エンコーダ・デコーダ変換器をキーコンポーネントとする新しいトラッキングアーキテクチャを提案する。
メソッド全体がエンドツーエンドであり、コサインウィンドウやバウンディングボックススムーシングのような後処理ステップは不要である。
提案されたトラッカーは、Siam R-CNNよりも6倍速いリアルタイム速度を実行しながら、5つのチャレンジングな短期および長期ベンチマークで最先端のパフォーマンスを実現します。
論文 参考訳(メタデータ) (2021-03-31T15:19:19Z) - 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。