論文の概要: PLMTrajRec: A Scalable and Generalizable Trajectory Recovery Method with Pre-trained Language Models
- arxiv url: http://arxiv.org/abs/2410.14281v2
- Date: Tue, 11 Feb 2025 13:28:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:03:43.873790
- Title: PLMTrajRec: A Scalable and Generalizable Trajectory Recovery Method with Pre-trained Language Models
- Title(参考訳): PLMTrajRec:事前学習型言語モデルを用いた拡張性と一般化可能な軌道復元手法
- Authors: Tonglong Wei, Yan Lin, Youfang Lin, Shengnan Guo, Jilin Hu, Haitao Yuan, Gao Cong, Huaiyu Wan,
- Abstract要約: PLMTrajRecと呼ばれる新しい軌道回復モデルを提案する。
事前訓練された言語モデル(PLM)のスケーラビリティを活用し、限られた密度のトラジェクトリでのみ微調整できる。
スパース軌道における異なるサンプリング間隔を扱うために,まず,各軌道のサンプリング間隔と移動特徴を自然言語表現に変換する。
- 参考スコア(独自算出の注目度): 31.98187852227127
- License:
- Abstract: Spatiotemporal trajectory data is crucial for various applications. However, issues such as device malfunctions and network instability often cause sparse trajectories, leading to lost detailed movement information. Recovering the missing points in sparse trajectories to restore the detailed information is thus essential. Despite recent progress, several challenges remain. First, the lack of large-scale dense trajectory data makes it difficult to train a trajectory recovery model from scratch. Second, the varying spatiotemporal correlations in sparse trajectories make it hard to generalize recovery across different sampling intervals. Third, the lack of location information complicates the extraction of road conditions for missing points. To address these challenges, we propose a novel trajectory recovery model called PLMTrajRec. It leverages the scalability of a pre-trained language model (PLM) and can be fine-tuned with only a limited set of dense trajectories. To handle different sampling intervals in sparse trajectories, we first convert each trajectory's sampling interval and movement features into natural language representations, allowing the PLM to recognize its interval. We then introduce a trajectory encoder to unify trajectories of varying intervals into a single interval and capture their spatiotemporal relationships. To obtain road conditions for missing points, we propose an area flow-guided implicit trajectory prompt, which models road conditions by collecting traffic flows in each region. We also introduce a road condition passing mechanism that uses observed points' road conditions to infer those of the missing points. Experiments on two public trajectory datasets with three sampling intervals each demonstrate the effectiveness, scalability, and generalization ability of PLMTrajRec.
- Abstract(参考訳): 時空間軌跡データは様々な用途に不可欠である。
しかし、デバイス故障やネットワーク不安定といった問題はしばしばスパーストラジェクトリーを引き起こし、詳細な移動情報が失われる。
したがって、詳細な情報を復元するためにスパース軌道の欠落点を復元することが不可欠である。
最近の進歩にもかかわらず、いくつかの課題が残っている。
第一に、大規模な高密度軌道データがないため、軌道回復モデルをゼロから訓練することは困難である。
第二に、スパース軌跡における時空間相関の変動は、異なるサンプリング間隔でリカバリを一般化することを困難にしている。
第三に、位置情報の欠如は、失点に対する道路条件の抽出を複雑にする。
これらの課題に対処するため,PLMTrajRecと呼ばれる新しい軌道回復モデルを提案する。
事前訓練された言語モデル(PLM)のスケーラビリティを活用し、限られた密度のトラジェクトリでのみ微調整できる。
スパース軌道における異なるサンプリング間隔を処理するために,まず各軌道のサンプリング間隔と運動特徴を自然言語表現に変換することにより,PLMはその区間を認識できるようにする。
次に,各区間の軌跡を1つの区間に統一し,その時空間関係を捉えるトラジェクトリエンコーダを提案する。
そこで本研究では,各地域における交通流の収集により道路条件をモデル化した,道路の流動誘導型暗黙的軌跡プロンプトを提案する。
また、観測点の道路条件を利用して、行方不明点の道路条件を推定する道路条件通過機構も導入する。
PLMTrajRecの有効性,拡張性,一般化性を示す3つのサンプリング間隔を持つ2つの公開軌道データセットの実験を行った。
関連論文リスト
- Fast maneuver recovery from aerial observation: trajectory clustering and outliers rejection [43.06493292670652]
2種類のVulnerable Road Users (VRU) が提案される軌道クラスタリング手法によって検討される。
2つの環境がメソッド開発のテストとして機能し、3つの異なる交差点と1つのラウンドアバウトとなる。
論文 参考訳(メタデータ) (2024-07-03T07:22:21Z) - 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) - 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) - 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) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳(メタデータ) (2023-10-09T20:32:49Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳(メタデータ) (2022-03-25T16:59:08Z) - Pattern Ensembling for Spatial Trajectory Reconstruction [1.1087735229999818]
類似の軌跡パターンを局所的近傍から使用し,行方不明または信頼性の低い観測をロバストに再構成する手法を提案する。
本手法は,実世界の軌跡の類似性を効果的に活用することにより,拡張長と複素幾何学の欠落した軌跡セグメントを再構成するのに役立つ。
論文 参考訳(メタデータ) (2021-01-25T01:44:00Z)
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。