論文の概要: Grid and Road Expressions Are Complementary for Trajectory Representation Learning

• arxiv url: http://arxiv.org/abs/2411.14768v1
• Date: Fri, 22 Nov 2024 07:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:03:55.751701
• Title: Grid and Road Expressions Are Complementary for Trajectory Representation Learning
• Title（参考訳）: 軌跡表現学習におけるグリッドと道路表現の相補
• Authors: Silin Zhou, Shuo Shang, Lisi Chen, Peng Han, Christian S. Jensen,
• Abstract要約: トラジェクトリ表現学習(TRL)は、多くの下流タスクに使用できるベクトルにトラジェクトリをマッピングする。 既存のTRL法では、グリッドトラジェクトリ、自由空間における移動のキャプチャー、道路トラジェクトリ、道路ネットワークにおける移動のキャプチャーのいずれかを入力として使用する。 GREENと呼ばれる新しいマルチモーダルTRL手法を提案する。
• 参考スコア（独自算出の注目度）: 40.94269411061165
• License:
• Abstract: Trajectory representation learning (TRL) maps trajectories to vectors that can be used for many downstream tasks. Existing TRL methods use either grid trajectories, capturing movement in free space, or road trajectories, capturing movement in a road network, as input. We observe that the two types of trajectories are complementary, providing either region and location information or providing road structure and movement regularity. Therefore, we propose a novel multimodal TRL method, dubbed GREEN, to jointly utilize Grid and Road trajectory Expressions for Effective representatioN learning. In particular, we transform raw GPS trajectories into both grid and road trajectories and tailor two encoders to capture their respective information. To align the two encoders such that they complement each other, we adopt a contrastive loss to encourage them to produce similar embeddings for the same raw trajectory and design a mask language model (MLM) loss to use grid trajectories to help reconstruct masked road trajectories. To learn the final trajectory representation, a dual-modal interactor is used to fuse the outputs of the two encoders via cross-attention. We compare GREEN with 7 state-of-the-art TRL methods for 3 downstream tasks, finding that GREEN consistently outperforms all baselines and improves the accuracy of the best-performing baseline by an average of 15.99\%.
• Abstract（参考訳）: トラジェクティブ表現学習(TRL)は、多くの下流タスクに使用できるベクトルにトラジェクトリをマッピングする。 既存のTRL法では、グリッドトラジェクトリ、自由空間における移動のキャプチャー、道路トラジェクトリ、道路ネットワークにおける移動のキャプチャーのいずれかを入力として使用する。 2種類の軌道は相補的であり、地域情報と位置情報を提供するか、道路構造と運動規則を提供する。 そこで我々はGREENと呼ばれる新しいマルチモーダルTRL法を提案する。 特に、生のGPSトラジェクトリをグリッドと道路トラジェクトリの両方に変換し、2つのエンコーダを調整し、それぞれの情報をキャプチャする。 2つのエンコーダを相互に補完し合うように整合させるため、同じ生軌道に対して同様の埋め込みを図り、マスク言語モデル(MLM)の損失を設計し、グリッドトラジェクトリを用いてマスク付き道路トラジェクトリの再構築を支援する。 最後の軌道表現を学習するために、2つのエンコーダの出力をクロスアテンションで融合するためにデュアルモーダル・インターセプタが使用される。 GREENを3つのダウンストリームタスクに対する7つの最先端TRL法と比較し、GREENが全てのベースラインを一貫して上回り、平均15.99\%の最高のパフォーマンスベースラインの精度を向上させることを発見した。

関連論文リスト

• RED: Effective Trajectory Representation Learning with Comprehensive Information [41.58502888707689]
  トラジェクティブ表現学習(TRL)は、様々な下流タスクに使用できるベクトルにトラジェクトリをマッピングする。 本稿では,複数のトラジェクトリ情報を効果的に活用する自己教師型TRLフレームワークREDを提案する。
  論文  参考訳（メタデータ） (2024-11-22T17:51:21Z)
• Trajectory Representation Learning on Road Networks and Grids with Spatio-Temporal Dynamics [0.8655526882770742]
  軌道表現学習は、スマートシティや都市計画など分野の応用における基本的な課題である。 本稿では,時間的ダイナミクスを取り入れつつ,グリッドと道路ネットワークのモダリティを統合する新しいモデルであるTIGRを提案する。 実世界の2つのデータセット上でTIGRを評価し,両モードの組み合わせの有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-21T10:56:02Z)
• Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition [49.20086587208214]
  交通信号認識の強化を目的としたMLLMに基づくドメイン間数ショットインコンテキスト学習手法を提案する。 記述テキストを使用することで、テンプレートと実際の交通標識のドメイン間差を低減することができる。 提案手法は,大規模交通標識画像やラベルを必要とせず,単純かつ均一なテキスト表示のみを必要とする。
  論文  参考訳（メタデータ） (2024-07-08T10:51:03Z)
• More Than Routing: Joint GPS and Route Modeling for Refine Trajectory Representation Learning [26.630640299709114]
  本稿では,JGRMという自己監督技術に基づく共同GPSとルートモデリングを提案する。 我々は2つのエンコーダを開発し、それぞれルートとGPSの軌跡を表現できるように調整した。 2つのモードからの表現は、モーダル間情報相互作用のための共有変換器に入力される。
  論文  参考訳（メタデータ） (2024-02-25T18:27:25Z)
• Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel Semantics [30.9735101687326]
  Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。 既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。 本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-17T13:14:47Z)
• Jointly Contrastive Representation Learning on Road Network and Trajectory [11.613962590641002]
  道路網と軌道表現学習は交通システムにとって不可欠である。 既存の方法では、道路網と軌道を別々に扱うなど、同じスケールでしかコントラストがない。 本稿では,道路網と軌道表現を両立させる統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-14T03:08:20Z)
• D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights [68.76631399516823]
  本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。 実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
  論文  参考訳（メタデータ） (2022-07-21T10:19:07Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation [74.56282712099274]
  本稿では,ベクトルで表される個々の道路成分の空間的局所性を利用する階層型グラフニューラルネットワークであるVectorNetを紹介する。 ベクトル化高定義(HD)マップとエージェントトラジェクトリの操作により、ロッキーなレンダリングや計算集約的なConvNetエンコーディングのステップを避けることができる。 我々は、社内行動予測ベンチマークと最近リリースされたArgoverse予測データセットでVectorNetを評価した。
  論文  参考訳（メタデータ） (2020-05-08T19:07:03Z)

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。