論文の概要: DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model

• arxiv url: http://arxiv.org/abs/2304.11582v2
• Date: Tue, 24 Oct 2023 12:43:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 01:15:05.967353
• Title: DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model
• Title（参考訳）: DiffTraj:拡散確率モデルによるGPS軌道生成
• Authors: Yuanshao Zhu, Yongchao Ye, Shiyao Zhang, Xiangyu Zhao, and James J.Q. Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 44.490978394267195
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pervasive integration of GPS-enabled devices and data acquisition technologies has led to an exponential increase in GPS trajectory data, fostering advancements in spatial-temporal data mining research. Nonetheless, GPS trajectories contain personal geolocation information, rendering serious privacy concerns when working with raw data. A promising approach to address this issue is trajectory generation, which involves replacing original data with generated, privacy-free alternatives. Despite the potential of trajectory generation, the complex nature of human behavior and its inherent stochastic characteristics pose challenges in generating high-quality trajectories. In this work, we propose a spatial-temporal diffusion probabilistic model for trajectory generation (DiffTraj). This model effectively combines the generative abilities of diffusion models with the spatial-temporal features derived from real trajectories. The core idea is to reconstruct and synthesize geographic trajectories from white noise through a reverse trajectory denoising process. Furthermore, we propose a Trajectory UNet (Traj-UNet) deep neural network to embed conditional information and accurately estimate noise levels during the reverse process. Experiments on two real-world datasets show that DiffTraj can be intuitively applied to generate high-fidelity trajectories while retaining the original distributions. Moreover, the generated results can support downstream trajectory analysis tasks and significantly outperform other methods in terms of geo-distribution evaluations.
• Abstract（参考訳）: GPS対応機器とデータ取得技術の広範囲な統合により、GPSトラジェクトリーデータの増加が加速し、時空間データマイニング研究の進歩が促進された。 それにもかかわらず、GPSトラジェクトリには個人位置情報が含まれており、生データを扱う際に深刻なプライバシー上の懸念が生じる。 この問題に対処するための有望なアプローチは、オリジナルのデータを生成されたプライバシフリーな代替手段に置き換える、トラジェクトリ生成である。 軌道生成の可能性にもかかわらず、人間の行動の複雑な性質とその固有の確率特性は、高品質な軌道生成に挑戦する。 本研究では,軌道生成のための時空間拡散確率モデル(DiffTraj)を提案する。 このモデルは拡散モデルの生成能力と実際の軌道から導かれる時空間的特徴を効果的に組み合わせる。 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。 さらに、条件情報を埋め込んだトラジェクトリUNet(Traj-UNet)ディープニューラルネットワークを提案し、逆処理中のノイズレベルを正確に推定する。 2つの実世界のデータセットの実験により、DiffTrajは元の分布を保持しながら高忠実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。 さらに, 生成した結果は下流経路解析タスクをサポートし, 地理的分布評価の点で他の手法を著しく上回っている。

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。