論文の概要: Restoring Super-High Resolution GPS Mobility Data

• arxiv url: http://arxiv.org/abs/2410.12818v1
• Date: Tue, 01 Oct 2024 11:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 06:14:34.022661
• Title: Restoring Super-High Resolution GPS Mobility Data
• Title（参考訳）: 超高解像度GPSモビリティデータの復元
• Authors: Haruki Yonekura, Ren Ozeki, Hamada Rizk, Hirozumi Yamaguchi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.1698826134900457
• License:
• Abstract: This paper presents a novel system for reconstructing high-resolution GPS trajectory data from truncated or synthetic low-resolution inputs, addressing the critical challenge of balancing data utility with privacy preservation in mobility applications. The system integrates transformer-based encoder-decoder models with graph convolutional networks (GCNs) to effectively capture both the temporal dependencies of trajectory data and the spatial relationships in road networks. By combining these techniques, the system is able to recover fine-grained trajectory details that are lost through data truncation or rounding, a common practice to protect user privacy. We evaluate the system on the Beijing trajectory dataset, demonstrating its superior performance over traditional map-matching algorithms and LSTM-based synthetic data generation methods. The proposed model achieves an average Fr\'echet distance of 0.198 km, significantly outperforming map-matching algorithms (0.632 km) and synthetic trajectory models (0.498 km). The results show that the system is not only capable of accurately reconstructing real-world trajectories but also generalizes effectively to synthetic data. These findings suggest that the system can be deployed in urban mobility applications, providing both high accuracy and robust privacy protection.
• Abstract（参考訳）: 本稿では、データユーティリティとモビリティアプリケーションにおけるプライバシー保護のバランスをとることの難しさに対処するため、トランケートされた、あるいは合成された低解像度入力から高解像度GPSトラジェクトリデータを再構築するシステムを提案する。 このシステムは、トランスフォーマーベースのエンコーダデコーダモデルとグラフ畳み込みネットワーク(GCN)を統合し、軌跡データの時間的依存関係と道路ネットワークの空間的関係の両方を効果的に捉える。 これらの技術を組み合わせることで、データトランケーションやラウンドリングによって失われる、きめ細かい軌道の詳細を復元することができる。 北京トラジェクトリデータセットを用いて,従来の地図マッチングアルゴリズムやLSTMに基づく合成データ生成手法よりも優れた性能を示す。 提案モデルでは,平均Fr'echet距離0.198kmを達成し,地図マッチングアルゴリズム(0.632km)と合成軌道モデル(0.498km)を大きく上回った。 その結果,実世界の軌道を正確に再構築できるだけでなく,合成データにも効果的に応用できることがわかった。 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。

関連論文リスト

• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Hierarchical Features Matter: A Deep Exploration of GAN Priors for Improved Dataset Distillation [51.44054828384487]
  階層的生成潜在蒸留(H-GLaD)と呼ばれる新しいパラメータ化法を提案する。 本手法はGAN内の階層層を系統的に探索する。 さらに,合成データセット評価に伴う計算負担を軽減するために,新しいクラス関連特徴距離尺度を導入する。
  論文  参考訳（メタデータ） (2024-06-09T09:15:54Z)
• Surrogate Modeling of Trajectory Map-matching in Urban Road Networks using Transformer Sequence-to-Sequence Model [1.3812010983144802]
  本稿では、オフラインマップマッチングアルゴリズムのサロゲートとして機能するディープラーニングモデル、特にトランスフォーマーベースのエンコーダデコーダモデルを提案する。 このモデルは、ニューヨーク州マンハッタンで収集されたGPSトレースを使って訓練され、評価されている。
  論文  参考訳（メタデータ） (2024-04-18T18:39:23Z)
• 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)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• 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。