論文の概要: A Critical Perceptual Pre-trained Model for Complex Trajectory Recovery
- arxiv url: http://arxiv.org/abs/2311.02631v1
- Date: Sun, 5 Nov 2023 12:20:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 16:25:12.911955
- Title: A Critical Perceptual Pre-trained Model for Complex Trajectory Recovery
- Title（参考訳）: 複合軌道復元のための臨界知覚事前学習モデル
- Authors: Dedong Li, Ziyue Li, Zhishuai Li, Lei Bai, Qingyuan Gong, Lijun Sun,
Wolfgang Ketter, Rui Zhao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 27.347708962204713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The trajectory on the road traffic is commonly collected at a low sampling
rate, and trajectory recovery aims to recover a complete and continuous
trajectory from the sparse and discrete inputs. Recently, sequential language
models have been innovatively adopted for trajectory recovery in a pre-trained
manner: it learns road segment representation vectors, which will be used in
the downstream tasks. However, existing methods are incapable of handling
complex trajectories: when the trajectory crosses remote road segments or makes
several turns, which we call critical nodes, the quality of learned
representations deteriorates, and the recovered trajectories skip the critical
nodes. This work is dedicated to offering a more robust trajectory recovery for
complex trajectories. Firstly, we define the trajectory complexity based on the
detour score and entropy score and construct the complexity-aware semantic
graphs correspondingly. Then, we propose a Multi-view Graph and Complexity
Aware Transformer (MGCAT) model to encode these semantics in trajectory
pre-training from two aspects: 1) adaptively aggregate the multi-view graph
features considering trajectory pattern, and 2) higher attention to critical
nodes in a complex trajectory. Such that, our MGCAT is perceptual when handling
the critical scenario of complex trajectories. Extensive experiments are
conducted on large-scale datasets. The results prove that our method learns
better representations for trajectory recovery, with 5.22% higher F1-score
overall and 8.16% higher F1-score for complex trajectories particularly. The
code is available at https://github.com/bonaldli/ComplexTraj.
- Abstract（参考訳）: 道路交通の軌跡は, 低サンプリング率で収集されることが一般的であり, 軌跡回復は, スパースおよび離散入力から完全かつ連続的な軌跡を復元することを目的としている。
近年,下流タスクで使用される道路セグメント表現ベクトルを学習する,事前学習による軌道回復のための逐次言語モデルが革新的に採用されている。
しかし、既存の手法では、軌跡が遠隔の道路セグメントを横切る場合や、複数の旋回を行う場合、重要なノードと呼ばれる場合、学習された表現の質が低下し、回収された軌跡は臨界ノードをスキップする。
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。
まず,detourスコアとエントロピースコアに基づいて軌道複雑性を定義し,それに対応する複雑性対応意味グラフを構築する。
そこで本研究では,マルチビューグラフと複雑性認識トランスフォーマ (mgcat) モデルを提案する。
1)軌道パターンを考慮した多視点グラフの特徴の適応集計
2) 複雑軌道における臨界ノードへの注目度が高い。
このように、MGCATは複雑な軌道の臨界シナリオを扱う場合に知覚される。
大規模なデータセットで大規模な実験を行う。
以上の結果から, トラクタではf1-scoreが5.22%, f1-scoreが8.16%向上した。
コードはhttps://github.com/bonaldli/complextrajで入手できる。
関連論文リスト
- PTR: A Pre-trained Language Model for Trajectory Recovery [31.08861372332931]
そこで我々は, PTR と呼ばれるフレームワークを提案し, 限られた高密度軌跡データの問題を緩和する。
PTRは明示的な軌道プロンプトを組み込み、複数のサンプリング間隔を持つデータセットでトレーニングされる。
また、軌道点を符号化し、観測点と欠点の両方の埋め込みをPLMに理解可能な形式に変換する軌道埋め込み器を提案する。
論文 参考訳（メタデータ） (2024-10-18T08:38:12Z) - Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。
本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。
本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-17T11:47:56Z) - Towards Stable and Storage-efficient Dataset Distillation: Matching Convexified Trajectory [53.37473225728298]
ディープラーニングと大規模言語モデルの急速な進化により、トレーニングデータの需要が指数関数的に増加した。
MTT(Matching Training Trajectories)は、専門家ネットワークのトレーニングトラジェクトリを、合成データセットで実データ上に複製する、顕著なアプローチである。
そこで本研究では,学生の軌道に対するより良いガイダンスを提供することを目的として,MCT (Matching Convexified Trajectory) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-06-28T11:06:46Z) - 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) - 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) - 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) - 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) - Self-supervised Trajectory Representation Learning with Temporal
Regularities and Travel Semantics [30.9735101687326]
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。
論文 参考訳（メタデータ） (2022-11-17T13:14:47Z) - DouFu: A Double Fusion Joint Learning Method For Driving Trajectory
Representation [13.321587117066166]
軌道表現型共同学習のための新しい多モード融合モデルDouFuを提案する。
まず、軌道データと都市機能ゾーンから生成された動き、経路、グローバルな特徴を設計する。
グローバルなセマンティック機能により、DouFuは各行に対して包括的な埋め込みを生成する。
論文 参考訳（メタデータ） (2022-05-05T07:43:35Z) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z)
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。