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
- 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) - Generative Modeling with Phase Stochastic Bridges [52.919600985186996]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - 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) - RNTrajRec: Road Network Enhanced Trajectory Recovery with
Spatial-Temporal Transformer [15.350300338463969]
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。
論文 参考訳(メタデータ) (2022-11-23T11:28:32Z) - STGlow: A Flow-based Generative Framework with Dual Graphormer for
Pedestrian Trajectory Prediction [22.553356096143734]
歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。
本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。
いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
論文 参考訳(メタデータ) (2022-11-21T07:29:24Z) - 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) - 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) - LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection [2.1793134762413437]
データ共有と公開のためのプライバシー保護型合成軌道データを生成するエンド・ツー・エンドのディープラーニングモデルを提案する。
本モデルは,実世界のセマンティック・トラジェクトリ・データセット上でのトラジェクトリ・ユーザ・リンクタスクに基づいて評価される。
論文 参考訳(メタデータ) (2020-06-14T03:04:19Z) - Mobility Inference on Long-Tailed Sparse Trajectory [2.4444287331956898]
大規模トラジェクトリデータにおいて,汎用的な長い尾の空間パターンを利用する単一トラジェクトリ推論アルゴリズムを提案する。
このアルゴリズムは、リコールにおける証明可能な低いバウンドで、滞在/旅行推論における100%の精度を保証する。
都市ユーザ4000万人を対象とした3つの軌跡データセットによる評価は,提案アルゴリズムの性能保証を検証した。
論文 参考訳(メタデータ) (2020-01-21T16:32:38Z)
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。