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 16:10:29.404968
• 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: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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

• DiffMove: Group Mobility Tendency Enhanced Trajectory Recovery via Diffusion Model [10.73393296059176]
  現実世界では、少ない収集や限られたデバイスカバレッジのため、トラジェクトリデータはスパースで不完全であることが多い。 軌道回復のための群集知恵を利用するためのDiffMoveを提案する。 歴史的視点と現在の視点の両方から、個人のモビリティの好みを捉えます。
  論文  参考訳（メタデータ） (2025-03-24T03:08:21Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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。