論文の概要: Learning Spatio-Temporal Dynamics for Trajectory Recovery via Time-Aware Transformer

• arxiv url: http://arxiv.org/abs/2505.13857v1
• Date: Tue, 20 May 2025 03:09:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.644748
• Title: Learning Spatio-Temporal Dynamics for Trajectory Recovery via Time-Aware Transformer
• Title（参考訳）: 時間認識変換器による軌道復元のための時空間ダイナミクスの学習
• Authors: Tian Sun, Yuqi Chen, Baihua Zheng, Weiwei Sun,
• Abstract要約: 現実世界の応用では、GPSトラジェクトリはサンプリングレートが低く、連続する点の間に大きく不規則な間隔があることが多い。 本稿では,軌道サンプリング率の向上をめざして,地図制約のトラジェクトリリカバリの課題に対処する。
• 参考スコア（独自算出の注目度）: 9.812530969395906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world applications, GPS trajectories often suffer from low sampling rates, with large and irregular intervals between consecutive GPS points. This sparse characteristic presents challenges for their direct use in GPS-based systems. This paper addresses the task of map-constrained trajectory recovery, aiming to enhance trajectory sampling rates of GPS trajectories. Previous studies commonly adopt a sequence-to-sequence framework, where an encoder captures the trajectory patterns and a decoder reconstructs the target trajectory. Within this framework, effectively representing the road network and extracting relevant trajectory features are crucial for overall performance. Despite advancements in these models, they fail to fully leverage the complex spatio-temporal dynamics present in both the trajectory and the road network. To overcome these limitations, we categorize the spatio-temporal dynamics of trajectory data into two distinct aspects: spatial-temporal traffic dynamics and trajectory dynamics. Furthermore, We propose TedTrajRec, a novel method for trajectory recovery. To capture spatio-temporal traffic dynamics, we introduce PD-GNN, which models periodic patterns and learns topologically aware dynamics concurrently for each road segment. For spatio-temporal trajectory dynamics, we present TedFormer, a time-aware Transformer that incorporates temporal dynamics for each GPS location by integrating closed-form neural ordinary differential equations into the attention mechanism. This allows TedFormer to effectively handle irregularly sampled data. Extensive experiments on three real-world datasets demonstrate the superior performance of TedTrajRec. The code is publicly available at https://github.com/ysygMhdxw/TEDTrajRec/.
• Abstract（参考訳）: 現実世界の応用では、GPSトラジェクトリはサンプリングレートが低く、連続するGPSポイントの間に大きく不規則な間隔があることが多い。 このスパース特性は、GPSベースのシステムで直接使用する上での課題である。 本稿では,GPSトラジェクトリの軌道サンプリング率を高めることを目的とした,地図拘束軌道回復の課題に対処する。 従来の研究では、エンコーダが軌道パターンをキャプチャし、デコーダが目標軌道を再構成するシーケンス・ツー・シーケンス・フレームワークが一般的であった。 このフレームワーク内では、道路ネットワークを効果的に表現し、関連する軌道特徴を抽出することが全体的なパフォーマンスに不可欠である。 これらのモデルの発展にもかかわらず、軌跡と道路網の両方に存在する複雑な時空間力学を十分に活用することができない。 これらの制約を克服するために、トラジェクトリデータの時空間的ダイナミクスとトラジェクトリダイナミクスの2つの異なる側面に分類する。 さらに,軌道回復のための新しい手法であるTedTrajRecを提案する。 本研究では,周期的パターンをモデル化し,各道路セグメントに対して同時にトポロジ的に認識されるダイナミクスを学習するPD-GNNを提案する。 TedFormerは,GPS位置の時間的ダイナミクスを,閉形式ニューラル常微分方程式をアテンション機構に組み込んだ時間認識変換器である。 これにより、TedFormerは不規則にサンプリングされたデータを効果的に処理できる。 3つの実世界のデータセットに対する大規模な実験は、TedTrajRecの優れたパフォーマンスを示している。 コードはhttps://github.com/ysygMhdxw/TEDTrajRec/で公開されている。

関連論文リスト

• NLP-enabled Trajectory Map-matching in Urban Road Networks using a Transformer-based Encoder-decoder [1.3812010983144802]
  本研究では,NLPにインスパイアされた機械翻訳としてタスクを定式化する,データ駆動型深層学習型マップマッチングフレームワークを提案する。 変圧器を用いたエンコーダ・デコーダモデルでは,ノイズの多いGPS点の文脈表現を学習し,軌道の挙動や道路構造をエンドツーエンドに推定する。 合成軌道実験により、この手法は文脈認識を統合することによって従来の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-04-18T18:39:23Z)
• DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model [44.490978394267195]
  軌道生成のための時空間確率モデル(DiffTraj)を提案する。 中心となる考え方は、逆軌道分解過程を通じて白いノイズから地理的軌跡を再構成し、合成することである。 2つの実世界のデータセットの実験により、DiffTrajは直感的に高忠実な軌道を生成することができることが示された。
  論文  参考訳（メタデータ） (2023-04-23T08:42:45Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• RNTrajRec: Road Network Enhanced Trajectory Recovery with Spatial-Temporal Transformer [15.350300338463969]
  本稿では,道路網を改良したトランスフォーマーベースフレームワーク RNTrajRec を提案する。 RNTrajRecはまずグラフモデル、すなわちGridGNNを使用して、各道路セグメントの埋め込み機能を学ぶ。 次にサブグラフ生成モジュールを導入し、各GPSポイントをGPSポイント周辺の道路ネットワークのサブグラフ構造として表現する。
  論文  参考訳（メタデータ） (2022-11-23T11:28:32Z)
• 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)
• 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)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Vehicle Trajectory Prediction in City-scale Road Networks using a Direction-based Sequence-to-Sequence Model with Spatiotemporal Attention Mechanisms [1.027974860479791]
  都市規模での車両のトレイ予測は、車両ナビゲーション、交通管理、位置ベースの推奨など、様々な位置情報ベースのアプリケーションにとって非常に重要である。 既存の方法は通常、軌跡をグリッドセル、道路セグメントまたは意図のシーケンスとして表現する。 D-LSTMと呼ばれる新しいシーケンス・ツー・シーケンスモデルを提案する。このモデルでは,各トラジェクトリを交点と関連する移動方向のシーケンスとして表現し,将来の世代のためにLSTMエンコーダ・デコーダネットワークに入力する。
  論文  参考訳（メタデータ） (2021-06-21T15:14:28Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。