論文の概要: ControlTraj: Controllable Trajectory Generation with Topology-Constrained Diffusion Model
- arxiv url: http://arxiv.org/abs/2404.15380v1
- Date: Tue, 23 Apr 2024 09:42:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-25 15:44:33.599126
- Title: ControlTraj: Controllable Trajectory Generation with Topology-Constrained Diffusion Model
- Title(参考訳): ControlTraj: 位相制約拡散モデルによる制御可能な軌道生成
- Authors: Yuanshao Zhu, James Jianqiao Yu, Xiangyu Zhao, Qidong Liu, Yongchao Ye, Wei Chen, Zijian Zhang, Xuetao Wei, Yuxuan Liang,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 39.0442700565278
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating trajectory data is among promising solutions to addressing privacy concerns, collection costs, and proprietary restrictions usually associated with human mobility analyses. However, existing trajectory generation methods are still in their infancy due to the inherent diversity and unpredictability of human activities, grappling with issues such as fidelity, flexibility, and generalizability. To overcome these obstacles, we propose ControlTraj, a Controllable Trajectory generation framework with the topology-constrained diffusion model. Distinct from prior approaches, ControlTraj utilizes a diffusion model to generate high-fidelity trajectories while integrating the structural constraints of road network topology to guide the geographical outcomes. Specifically, we develop a novel road segment autoencoder to extract fine-grained road segment embedding. The encoded features, along with trip attributes, are subsequently merged into the proposed geographic denoising UNet architecture, named GeoUNet, to synthesize geographic trajectories from white noise. Through experimentation across three real-world data settings, ControlTraj demonstrates its ability to produce human-directed, high-fidelity trajectory generation with adaptability to unexplored geographical contexts.
- Abstract(参考訳): トラジェクトリデータの生成は、プライバシー問題、収集コスト、そして人間のモビリティ分析に関連するプロプライエタリな制約に対処するための有望な解決策の1つである。
しかし、既存の軌道生成法は、人間の活動の固有の多様性と予測不可能さのためにまだ初期段階にあり、忠実さ、柔軟性、一般化可能性といった問題に悩まされている。
これらの障害を克服するために,トポロジ制約付き拡散モデルを用い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 ControlTraj を提案する。
ControlTrajは、従来のアプローチとは違い、拡散モデルを用いて、道路ネットワークトポロジの構造的制約を統合しながら、高忠実度軌道を生成する。
具体的には,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する。
符号化された特徴と旅行属性は、後にGeoUNetと呼ばれる提案された地理的デノナイズされたUNetアーキテクチャにマージされ、ホワイトノイズから地理的トラジェクトリを合成する。
ControlTrajは、現実世界の3つのデータ設定の実験を通じて、探索されていない地理的コンテキストに適応可能な、人間指向の高忠実な軌道生成を生成できることを実証する。
関連論文リスト
- Geo-Llama: Leveraging LLMs for Human Mobility Trajectory Generation with Spatiotemporal Constraints [14.623784198777086]
Geo-Llamaは、人間の移動データからリアルな軌道を生成する新しいフレームワークである。
文脈的コヒーレントな方法で、明示的な訪問制約を持つ軌道上で、事前訓練されたLLMを微調整する。
実世界のデータセットと合成データセットに関する大規模な実験は、幅広い制約を扱う上で、その汎用性と堅牢性を示している。
論文 参考訳(メタデータ) (2024-08-25T19:03:46Z) - Controllable Diverse Sampling for Diffusion Based Motion Behavior
Forecasting [11.106812447960186]
制御可能拡散軌道(CDT)と呼ばれる新しい軌道生成器を導入する。
CDTは、情報と社会的相互作用をトランスフォーマーに基づく条件記述拡散モデルに統合し、将来の軌跡の予測を導く。
マルチモーダル性を確保するため,直進,右折,左折などの軌道モードを指示する行動トークンを組み込んだ。
論文 参考訳(メタデータ) (2024-02-06T13:16:54Z) - MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [12.01839817432357]
我々はこれらの問題に対処するために、自己回帰生成タスクとして、人間のモビリティモデリングを再構築する。
本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。
実世界のデータセットの実験では、モビリティGPTは最先端の手法よりも優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-02-05T18:22:21Z) - DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model [44.490978394267195]
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。
論文 参考訳(メタデータ) (2023-04-23T08:42:45Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-06-06T05:12:48Z) - Few Shot Generative Model Adaption via Relaxed Spatial Structural
Alignment [130.84010267004803]
限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。
実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。
本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
論文 参考訳(メタデータ) (2022-03-06T14:26:25Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳(メタデータ) (2020-09-21T13:57:10Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳(メタデータ) (2020-05-04T17:45:18Z)
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。