論文の概要: TransferTraj: A Vehicle Trajectory Learning Model for Region and Task Transferability

• arxiv url: http://arxiv.org/abs/2505.12672v1
• Date: Mon, 19 May 2025 03:40:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.384971
• Title: TransferTraj: A Vehicle Trajectory Learning Model for Region and Task Transferability
• Title（参考訳）: TransferTraj: 地域とタスクの伝達性のための車両軌道学習モデル
• Authors: Tonglong Wei, Yan Lin, Zeyu Zhou, Haomin Wen, Jilin Hu, Shengnan Guo, Youfang Lin, Gao Cong, Huaiyu Wan,
• Abstract要約: TransferTrajは、車両のGPS軌道学習モデルで、領域とタスクの転送性の両方に優れています。 地域転送性については、TransferTraj内でRTTEを学習可能な主要なモジュールとして紹介する。 本稿では,タスクの入出力構造を統一するタスク伝達可能な入出力スキームを提案する。
• 参考スコア（独自算出の注目度）: 32.061236211032714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle GPS trajectories provide valuable movement information that supports various downstream tasks and applications. A desirable trajectory learning model should be able to transfer across regions and tasks without retraining, avoiding the need to maintain multiple specialized models and subpar performance with limited training data. However, each region has its unique spatial features and contexts, which are reflected in vehicle movement patterns and difficult to generalize. Additionally, transferring across different tasks faces technical challenges due to the varying input-output structures required for each task. Existing efforts towards transferability primarily involve learning embedding vectors for trajectories, which perform poorly in region transfer and require retraining of prediction modules for task transfer. To address these challenges, we propose TransferTraj, a vehicle GPS trajectory learning model that excels in both region and task transferability. For region transferability, we introduce RTTE as the main learnable module within TransferTraj. It integrates spatial, temporal, POI, and road network modalities of trajectories to effectively manage variations in spatial context distribution across regions. It also introduces a TRIE module for incorporating relative information of spatial features and a spatial context MoE module for handling movement patterns in diverse contexts. For task transferability, we propose a task-transferable input-output scheme that unifies the input-output structure of different tasks into the masking and recovery of modalities and trajectory points. This approach allows TransferTraj to be pre-trained once and transferred to different tasks without retraining. Extensive experiments on three real-world vehicle trajectory datasets under task transfer, zero-shot, and few-shot region transfer, validating TransferTraj's effectiveness.
• Abstract（参考訳）: 車両GPSトラジェクトリは、様々な下流タスクやアプリケーションをサポートする貴重な移動情報を提供する。 望ましい軌道学習モデルは、複数の専門モデルを維持する必要がなくなり、限られた訓練データで性能を低下させることなく、再訓練することなく、地域やタスク間での移動を可能にするべきである。 しかし、各領域には独特の空間的特徴と文脈があり、車両の動きパターンに反映され、一般化が困難である。 さらに、異なるタスク間での転送は、各タスクに必要な入力出力構造が異なるため、技術的な課題に直面します。 移動可能性への既存の取り組みは、主に軌道の埋め込みベクトルを学習することであり、これは地域移動が不十分であり、タスク転送のための予測モジュールの再訓練を必要とする。 これらの課題に対処するため,トランスファートレージュ(TransferTraj)を提案する。 地域転送性については、TransferTraj内でRTTEを学習可能な主要なモジュールとして紹介する。 軌跡の空間的、時間的、POI、道路ネットワークのモダリティを統合し、領域間の空間的文脈分布の変動を効果的に管理する。 また、空間的特徴の相対情報を組み込むTRIEモジュールと、多様な文脈における動きパターンを扱う空間的コンテキストMoEモジュールも導入している。 タスク伝達可能性のために,タスクの入力出力構造をマスキングに統一したタスク伝達可能な入力出力スキームを提案する。 このアプローチにより、TransferTrajは一度事前トレーニングされ、再トレーニングせずに異なるタスクに転送される。 タスク転送、ゼロショット、および少数ショット領域転送の下での3つの実世界の車軌道データセットの大規模な実験により、TransferTrajの有効性が検証された。

関連論文リスト

• TrajFM: A Vehicle Trajectory Foundation Model for Region and Task Transferability [23.945687080195796]
  望ましい軌道学習モデルは、再訓練することなく、異なる領域とタスク間を移動すべきである。 そこで我々は,TrajFMを提案する。TrajFMは,領域とタスクの移動性の両方に優れる車両軌道基礎モデルである。 様々な環境下での2つの実世界の車両軌道データセットの実験は、TrajFMの有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-09T07:40:44Z)
• UVTM: Universal Vehicle Trajectory Modeling with ST Feature Domain Generation [34.918489559139715]
  普遍的な車両軌道モデルは異なるタスクに適用でき、複数の専門モデルを維持する必要がなくなる。 過度な再訓練を伴わずに様々なタスクに効果的に適応できるユニバーサル車両軌道モデル(UVTM)を提案する。 UVTMは、細かな特徴不完全軌跡から密度の高い特徴完全軌跡を再構築することで事前訓練される。
  論文  参考訳（メタデータ） (2024-02-11T15:49:50Z)
• 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)
• Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
  本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。 彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。 汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-19T12:15:31Z)
• FETA: A Benchmark for Few-Sample Task Transfer in Open-Domain Dialogue [70.65782786401257]
  本研究は、オープンドメイン対話における少数サンプルタスク転送のベンチマークであるFETAを導入することにより、対話型タスク転送について検討する。 FETAには10タスクと7タスクがアノテートされた2つの基礎的な会話が含まれており、データセット内タスク転送の研究を可能にする。 3つの人気のある言語モデルと3つの学習アルゴリズムを用いて、132のソースターゲットタスクペア間の転送可能性を分析する。
  論文  参考訳（メタデータ） (2022-05-12T17:59:00Z)
• Omni-Training for Data-Efficient Deep Learning [80.28715182095975]
  近年の進歩により、適切に訓練されたモデルが重要な特性であるトランスファービリティを持つことが明らかとなった。 事前訓練とメタトレーニングの厳密な組み合わせは、どちらの種類のトランスファー可能性も達成できない。 このことが提案されているOmni-Trainingフレームワークを,データ効率のよいディープラーニングに動機付けている。
  論文  参考訳（メタデータ） (2021-10-14T16:30:36Z)
• Frustratingly Easy Transferability Estimation [64.42879325144439]
  本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。 TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。 10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
  論文  参考訳（メタデータ） (2021-06-17T10:27:52Z)
• Unsupervised Transfer Learning for Spatiotemporal Predictive Networks [90.67309545798224]
  我々は、教師なし学習されたモデルの動物園から別のネットワークへ知識を伝達する方法を研究する。 私たちのモチベーションは、モデルは異なるソースからの複雑なダイナミクスを理解することが期待されていることです。 提案手法は,時間的予測のための3つのベンチマークで大幅に改善され,重要度が低いベンチマークであっても,ターゲットのメリットが得られた。
  論文  参考訳（メタデータ） (2020-09-24T15:40:55Z)
• What is being transferred in transfer learning? [51.6991244438545]
  事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。 事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
  論文  参考訳（メタデータ） (2020-08-26T17:23:40Z)

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。