論文の概要: DiffMove: Group Mobility Tendency Enhanced Trajectory Recovery via Diffusion Model
- arxiv url: http://arxiv.org/abs/2503.18302v1
- Date: Mon, 24 Mar 2025 03:08:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:38:13.134752
- Title: DiffMove: Group Mobility Tendency Enhanced Trajectory Recovery via Diffusion Model
- Title(参考訳): DiffMove: 拡散モデルによるグループ移動傾向向上軌道の回復
- Authors: Qingyue Long, Can Rong, Huandong Wang, Shaw Rajib, Yong Li,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.73393296059176
- License:
- Abstract: In the real world, trajectory data is often sparse and incomplete due to low collection frequencies or limited device coverage. Trajectory recovery aims to recover these missing trajectory points, making the trajectories denser and more complete. However, this task faces two key challenges: 1) The excessive sparsity of individual trajectories makes it difficult to effectively leverage historical information for recovery; 2) Sparse trajectories make it harder to capture complex individual mobility preferences. To address these challenges, we propose a novel method called DiffMove. Firstly, we harness crowd wisdom for trajectory recovery. Specifically, we construct a group tendency graph using the collective trajectories of all users and then integrate the group mobility trends into the location representations via graph embedding. This solves the challenge of sparse trajectories being unable to rely on individual historical trajectories for recovery. Secondly, we capture individual mobility preferences from both historical and current perspectives. Finally, we integrate group mobility tendencies and individual preferences into the spatiotemporal distribution of the trajectory to recover high-quality trajectories. Extensive experiments on two real-world datasets demonstrate that DiffMove outperforms existing state-of-the-art methods. Further analysis validates the robustness of our method.
- Abstract(参考訳): 現実の世界では、収集頻度の低さや限られたデバイスカバレッジのため、軌跡データはスパースで不完全であることが多い。
軌道回復は、これらの欠落した軌道点を回復することを目的としており、軌道はより密集し、より完全なものとなる。
しかし、この課題は2つの大きな課題に直面している。
1)個々の軌跡の過度な間隔は,過去の情報を有効活用して回復させるのを困難にしている。
2) スパーストラジェクトリーにより, 複雑な個人の移動性選好の把握が困難になる。
これらの課題に対処するため,我々はDiffMoveと呼ばれる新しい手法を提案する。
まず、軌道回復のための群集知恵を利用する。
具体的には、全ユーザの集合軌跡を用いてグループ傾向グラフを構築し、グラフ埋め込みによりグループ移動傾向を位置表現に統合する。
これにより、スパース軌道が個々の歴史的軌道に依存しないという課題が解決される。
第2に、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嗜好を捉える。
最後に,グループ移動傾向と個人の嗜好を軌跡の時空間分布に統合し,高品質な軌跡を復元する。
2つの実世界のデータセットに対する大規模な実験は、DiffMoveが既存の最先端の手法より優れていることを示している。
さらなる分析により,本手法のロバスト性を検証した。
関連論文リスト
- A Universal Model for Human Mobility Prediction [7.542075639525391]
個人軌跡と群集の流れの両方に適用可能なユニバーサルな人体移動予測モデル(UniMob)を提案する。
このモデルでは,MAPE と Accuracy@5 で 14% 以上,25% 以上のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2024-12-19T07:38:13Z) - PLMTrajRec: A Scalable and Generalizable Trajectory Recovery Method with Pre-trained Language Models [31.98187852227127]
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。
論文 参考訳(メタデータ) (2024-10-18T08:38:12Z) - 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) - 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) - 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) - Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。
まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。
第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文 参考訳(メタデータ) (2023-09-15T09:18:54Z) - Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。
具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。
判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文 参考訳(メタデータ) (2023-01-16T09:54:02Z) - Forecasting Human Trajectory from Scene History [51.72069374835107]
我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。
本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。
本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
論文 参考訳(メタデータ) (2022-10-17T03:56:02Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-04-04T03:17:42Z) - AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。
本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
論文 参考訳(メタデータ) (2021-01-03T15:45:35Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳(メタデータ) (2020-09-21T13:57:10Z)
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。