論文の概要: Diffusion Model for GPS Trajectory Generation
- arxiv url: http://arxiv.org/abs/2304.11582v1
- Date: Sun, 23 Apr 2023 08:42:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 17:31:39.659534
- Title: Diffusion Model for GPS Trajectory Generation
- Title(参考訳): GPS軌道生成のための拡散モデル
- Authors: Yuanshao Zhu, Yongchao Ye, Xiangyu Zhao, James J.Q. Yu
- Abstract要約: 高品質なGPSトラジェクトリを生成するための拡散型トラジェクトリ生成(Diff-Traj)フレームワークを提案する。
実験により、Diff-Trajは元の分布を維持しながら高品質な軌道を生成するために直感的に適用可能であることが示された。
- 参考スコア(独自算出の注目度): 18.909496036168488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the deployment of GPS-enabled devices and data acquisition technology,
the massively generated GPS trajectory data provide a core support for
advancing spatial-temporal data mining research. Nonetheless, GPS trajectories
comprise personal geo-location information, rendering inevitable privacy
concerns on plain data. One promising solution to this problem is trajectory
generation, replacing the original data with the generated privacy-free ones.
However, owing to the complex and stochastic behavior of human activities,
generating high-quality trajectories is still in its infancy. To achieve the
objective, we propose a diffusion-based trajectory generation (Diff-Traj)
framework, effectively integrating the generation capability of the diffusion
model and learning from the spatial-temporal features of trajectories.
Specifically, we gradually convert real trajectories to noise through a forward
trajectory noising process. Then, Diff-Traj reconstructs forged trajectories
from the noise by a reverse trajectory denoising process. In addition, we
design a trajectory UNet (Traj-UNet) structure to extract trajectory features
for noise level prediction during the reverse process. Experiments on two
real-world datasets show that Diff-Traj can be intuitively applied to generate
high-quality trajectories while retaining the original distribution.
- Abstract(参考訳): GPS対応機器の配備とデータ取得技術により、巨大に生成されたGPS軌跡データは、時空間データマイニング研究を進めるためのコアサポートを提供する。
それにもかかわらず、GPSトラジェクトリは個人の位置情報で構成されており、プレーンなデータに対して必然的なプライバシー上の懸念を生じさせる。
この問題に対する有望な解決策の1つは軌道生成であり、元のデータをプライバシーのない生成データに置き換える。
しかし、人間の活動の複雑で確率的な行動のため、高品質な軌跡の生成はまだ初期段階にある。
この目的を達成するために,拡散モデルの生成能力を効果的に統合し,軌道の時空間的特徴から学習する拡散に基づく軌道生成(Diff-Traj)フレームワークを提案する。
具体的には、進行軌道ノーミング過程を通じて、実際の軌道を徐々にノイズに変換する。
そして、Diff-Trajは、逆軌跡復調処理により、ノイズから鍛造された軌跡を再構成する。
さらに,逆過程における雑音レベルの予測のためのトラジェクトリ特徴を抽出するトラジェクトリUNet (Traj-UNet) 構造を設計する。
2つの実世界のデータセットの実験は、Diff-Trajが元の分布を維持しながら高品質な軌道を生成するために直感的に適用可能であることを示している。
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) - Restoring Super-High Resolution GPS Mobility Data [3.1698826134900457]
本稿では, トランカットや合成低分解能入力から高分解能GPSトラジェクトリデータを再構成するシステムを提案する。
提案モデルでは,平均フレッシュ距離0.198kmを実現し,地図マッチングアルゴリズムや合成軌道モデルよりも優れていた。
これらの結果から, このシステムは都市のモビリティアプリケーションに展開可能であり, 高い精度と堅牢なプライバシ保護を実現することが示唆された。
論文 参考訳(メタデータ) (2024-10-01T11:54:16Z) - ControlTraj: Controllable Trajectory Generation with Topology-Constrained Diffusion Model [39.0442700565278]
ControlTrajは、トポロジ制約付き拡散モデルを備えた、制御可能なトラジェクトリ生成フレームワークである。
道路セグメントの微細な埋め込みを抽出する新しい道路セグメントオートエンコーダを開発した。
符号化された特徴とトリップ属性は、後に提案された地理的なUNetアーキテクチャにマージされる。
論文 参考訳(メタデータ) (2024-04-23T09:42:45Z) - Real-Time Trajectory Synthesis with Local Differential Privacy [29.8702251045133]
ローカルディファレンシャルプライバシ(LDP)は、プライベートなトラジェクトリストリームの収集と分析のための有望なソリューションである。
RetraSynは、ユーザの軌道ストリームからプライベートに抽出されたモビリティパターンに基づいて、オンザフライの軌道合成を行うことができる。
RetraSynの主なコンポーネントは、グローバルモビリティモデル、動的モビリティ更新機構、リアルタイム合成、適応アロケーション戦略である。
論文 参考訳(メタデータ) (2024-04-17T14:55:49Z) - Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳(メタデータ) (2024-03-21T05:57:27Z) - 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) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Generating Synthetic Training Data for Deep Learning-Based UAV
Trajectory Prediction [11.241614693184323]
本稿では,無人航空機車(UAV)の合成軌道データを生成する手法を提案する。
実世界のUAV追跡データセットにおいて,RNNに基づく予測モデルが従来の参照モデルより優れていることを示す。
論文 参考訳(メタデータ) (2021-07-01T13:08:31Z)
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。