論文の概要: GTM: General Trajectory Modeling with Auto-regressive Generation of
Feature Domains
- arxiv url: http://arxiv.org/abs/2402.07232v2
- Date: Tue, 5 Mar 2024 07:11:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 00:19:20.807724
- Title: GTM: General Trajectory Modeling with Auto-regressive Generation of
Feature Domains
- Title(参考訳): GTM: 特徴領域の自動回帰生成による一般軌道モデリング
- Authors: Yan Lin, Jilin Hu, Shengnan Guo, Bin Yang, Christian S. Jensen,
Youfang Lin, Huaiyu Wan
- Abstract要約: General Trajectory Model (GTM) は、正規およびスパース軌跡に基づく様々なタスクをサポートすることを目的としている。
GTMは、再サンプリングされたスパース粒子が与えられた高密度サンプル軌道を再構成することで事前訓練される。
- 参考スコア(独自算出の注目度): 36.669502381935985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicle movement is frequently captured in the form of trajectories, i.e.,
sequences of timestamped locations. Numerous methods exist that target
different tasks involving trajectories such as travel-time estimation,
trajectory recovery, and trajectory prediction. However, most methods target
only one specific task and cannot be generalized to other tasks. Moreover,
existing methods often perform poorly on long trajectories, while also
underperforming on re-sampled, sparse trajectories.
To address these shortcomings, we propose the General Trajectory Model (GTM)
that aims to support different tasks based on regular and sparse trajectories
without the need for retraining or extra prediction modules. GTM is designed
expressly to achieve adaptability and robustness. First, GTM separates the
features in trajectories into three distinct domains, such that each domain can
be masked and generated independently to meet specific input and output
requirements of a given task. Second, GTM is pre-trained by reconstructing
densely sampled trajectories given re-sampled sparse counterparts. This process
enables GTM to extract detailed spatio-temporal and road segment information
from sparse trajectories, ensuring consistent performance when trajectories are
sparse. Experiments involving three representative trajectory-related tasks on
two real-world trajectory datasets provide insight into the intended properties
performance of GTM and offer evidence that GTM is capable of meeting its
objectives.
- Abstract(参考訳): 車両の移動は、しばしば軌道、すなわちタイムスタンプされた位置のシーケンスの形で捉えられる。
移動時間推定、軌道回復、軌道予測など、軌跡を含む様々なタスクを目標とする多くの手法が存在する。
しかし、ほとんどのメソッドは特定のタスクのみを対象としており、他のタスクに一般化することはできない。
さらに、既存の手法は長い軌道では性能が悪く、また再サンプリングされたスパース軌道では性能が劣ることが多い。
これらの欠点に対処するために,正規およびスパース軌道に基づく様々なタスクを,再学習や余分な予測モジュールを必要とせずに支援することを目的とした一般軌道モデル(GTM)を提案する。
GTMは適応性と堅牢性を達成するために設計されている。
まず、gtmは、各ドメインが与えられたタスクの特定の入力および出力要求を満たすために独立してマスキングおよび生成されるように、軌跡のフィーチャを3つの異なるドメインに分離する。
第2に、GTMは、再サンプリングされたスパース軌道を再構成することで事前訓練される。
このプロセスにより、GTMはスパース軌道から詳細な時空間情報と道路セグメント情報を抽出し、軌跡がスパースであるときに一貫した性能を確保することができる。
2つの実世界の軌道データセットにおける3つの代表的な軌道関連タスクを含む実験は、gtmの意図する特性性能に関する洞察を与え、gtmがその目的を達成することができることを示す。
関連論文リスト
- Recurrent Aligned Network for Generalized Pedestrian Trajectory
Prediction [43.98749443981923]
歩行者の軌道予測はコンピュータビジョンとロボット工学において重要な要素である。
従来の研究では、対象領域からの軌道データの一部をモデルに適応させることで、この問題に対処しようと試みてきた。
本稿では、ドメインアライメントによるドメインギャップを最小限に抑えるために、Recurrent Aligned Network(RAN)を導入する。
論文 参考訳(メタデータ) (2024-03-09T06:17:09Z) - 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) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - 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) - 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) - Unified Transformer Tracker for Object Tracking [58.65901124158068]
異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。
SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
論文 参考訳(メタデータ) (2022-03-29T01:38:49Z) - Vehicle Trajectory Prediction in City-scale Road Networks using a
Direction-based Sequence-to-Sequence Model with Spatiotemporal Attention
Mechanisms [1.027974860479791]
都市規模での車両のトレイ予測は、車両ナビゲーション、交通管理、位置ベースの推奨など、様々な位置情報ベースのアプリケーションにとって非常に重要である。
既存の方法は通常、軌跡をグリッドセル、道路セグメントまたは意図のシーケンスとして表現する。
D-LSTMと呼ばれる新しいシーケンス・ツー・シーケンスモデルを提案する。このモデルでは,各トラジェクトリを交点と関連する移動方向のシーケンスとして表現し,将来の世代のためにLSTMエンコーダ・デコーダネットワークに入力する。
論文 参考訳(メタデータ) (2021-06-21T15:14:28Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z) - ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。
そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
論文 参考訳(メタデータ) (2020-04-16T06:43:11Z)
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。