論文の概要: PTR: A Pre-trained Language Model for Trajectory Recovery

• arxiv url: http://arxiv.org/abs/2410.14281v1
• Date: Fri, 18 Oct 2024 08:38:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:24:47.006474
• Title: PTR: A Pre-trained Language Model for Trajectory Recovery
• Title（参考訳）: PTR: 軌道復元のための事前学習型言語モデル
• Authors: Tonglong Wei, Yan Lin, Youfang Lin, Shengnan Guo, Jilin Hu, Gao Cong, Huaiyu Wan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.08861372332931
• License:
• Abstract: Spatiotemporal trajectory data is vital for web-of-things services and is extensively collected and analyzed by web-based hardware and platforms. However, issues such as service interruptions and network instability often lead to sparsely recorded trajectories, resulting in a loss of detailed movement data. As a result, recovering these trajectories to restore missing information becomes essential. Despite progress, several challenges remain unresolved. First, the lack of large-scale dense trajectory data hampers the performance of existing deep learning methods, which rely heavily on abundant data for supervised training. Second, current methods struggle to generalize across sparse trajectories with varying sampling intervals, necessitating separate re-training for each interval and increasing computational costs. Third, external factors crucial for the recovery of missing points are not fully incorporated. To address these challenges, we propose a framework called PTR. This framework mitigates the issue of limited dense trajectory data by leveraging the capabilities of pre-trained language models (PLMs). PTR incorporates an explicit trajectory prompt and is trained on datasets with multiple sampling intervals, enabling it to generalize effectively across different intervals in sparse trajectories. To capture external factors, we introduce an implicit trajectory prompt that models road conditions, providing richer information for recovering missing points. Additionally, we present a trajectory embedder that encodes trajectory points and transforms the embeddings of both observed and missing points into a format comprehensible to PLMs. Experimental results on two public trajectory datasets with three sampling intervals demonstrate the efficacy and scalability of PTR.
• Abstract（参考訳）: 時空間軌跡データはWeb-of-Thingsサービスにとって不可欠であり、Webベースのハードウェアやプラットフォームによって広範囲に収集され分析される。 しかし、サービス中断やネットワーク不安定といった問題はしばしばわずかに記録された軌道につながり、詳細な移動データが失われる。 その結果、これらの軌跡を復元して行方不明情報を復元することが不可欠となる。 進歩にもかかわらず、いくつかの課題は未解決のままである。 第一に、大規模で高密度な軌跡データがないことは、教師あり訓練のための豊富なデータに大きく依存する既存のディープラーニング手法の性能を損なう。 第二に、現在の手法は、サンプリング間隔の異なるスパース軌跡をまたいだ一般化に苦慮し、各間隔で個別に再訓練し、計算コストを増大させる。 第三に、欠落点の回復に不可欠な外部要因が完全には組み込まれていない。 これらの課題に対処するため,我々はPTRと呼ばれるフレームワークを提案する。 このフレームワークは、事前訓練された言語モデル(PLM)の機能を活用することで、限られた高密度な軌跡データの問題を軽減する。 PTRには明示的な軌道プロンプトが組み込まれており、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ており、スパース軌道の異なる間隔で効果的に一般化することができる。 外部要因を捉えるために,道路条件をモデル化する暗黙の軌跡プロンプトを導入する。 さらに、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。 3つのサンプリング間隔を持つ2つの公共軌道データセットの実験結果から,PTRの有効性と拡張性が確認された。

関連論文リスト

• 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)
• TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
  TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。 以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。 TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-06-11T06:13:58Z)
• 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)
• UVTM: Universal Vehicle Trajectory Modeling with ST Feature Domain Generation [34.918489559139715]
  Universal Vehicle Trajectory (UVTM) は、不完全またはスパースな軌道に基づいて異なるタスクをサポートするように設計されている。 スパーストラジェクトリを効果的に処理するために、疎サンプリングされたトラジェクトリから密サンプリングされたトラジェクトリを再構成することにより、UVTMを事前訓練する。
  論文  参考訳（メタデータ） (2024-02-11T15:49:50Z)
• Improving Transferability for Cross-domain Trajectory Prediction via Neural Stochastic Differential Equation [41.09061877498741]
  外部要因とデータ取得戦略によるデータセット間での相違がある。 大規模データセットでトレーニングされたモデルの熟練した性能は、他の小規模データセットでの転送可能性に制限がある。 本稿では,ニューラル微分方程式(NSDE)の連続的利用に基づく不一致の緩和手法を提案する。 提案手法の有効性は,一般的なベンチマークデータセットであるnuScenes,Argoverse,Lyft,InterinterAction,Open Motionデータセット上で,最先端の軌道予測モデルに対して検証される。
  論文  参考訳（メタデータ） (2023-12-26T06:50:29Z)
• 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)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference [23.8192952068949]
  S-temporal data(CSST)のための新しいコントラスト型自己学習フレームワークを提案する。 提案手法は,POI(Points of Interest)とその距離に基づく空間隣接グラフの構築から始める。 我々は、類似した事例から対象部分グラフの表現を予測するために、スワップした予測手法を採用する。 実世界の2つのデータセットで実施した実験では、広範囲のノイズデータに基づいて事前トレーニングされたCSSTが、ゼロからトレーニングされたモデルより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2023-09-06T02:51:24Z)
• Pre-training General Trajectory Embeddings with Maximum Multi-view Entropy Coding [36.18788551389281]
  軌道埋め込みはタスク性能を向上させることができるが、高い計算コストを発生させ、限られたトレーニングデータ可用性に直面する可能性がある。 既存の軌道埋め込み手法は、特定の下流タスクに対するバイアスによる一般的な埋め込み学習の難しさに直面している。 一般的な包括的軌跡埋め込み学習のための多視点エントロピー符号化(MMTEC)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T08:16:20Z)
• 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)
• PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
  我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。 我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
  論文  参考訳（メタデータ） (2020-05-29T17:57:25Z)

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。