論文の概要: Efficient Methods for Accurate Sparse Trajectory Recovery and Map Matching
- arxiv url: http://arxiv.org/abs/2508.10460v1
- Date: Thu, 14 Aug 2025 09:00:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 22:24:48.241967
- Title: Efficient Methods for Accurate Sparse Trajectory Recovery and Map Matching
- Title（参考訳）: 正確なスパース軌道復元とマップマッチングのための効率的な方法
- Authors: Wei Tian, Jieming Shi, Man Lung Yiu,
- Abstract要約: 本稿では,正確な軌道回復とマップマッチングのためのTRMMAとMMAの効率的な手法を提案する。
軌道回復のために、TRMMAはMMAが返す経路のセグメントに焦点を当て、道路セグメントの位置比の欠落点を推測する。
TRMMAとMMAは、しばしばかなりの差で、常に最高の結果の品質を達成する。
- 参考スコア（独自算出の注目度）: 7.339720995247405
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Real-world trajectories are often sparse with low-sampling rates (i.e., long intervals between consecutive GPS points) and misaligned with road networks, yet many applications demand high-quality data for optimal performance. To improve data quality with sparse trajectories as input, we systematically study two related research problems: trajectory recovery on road network, which aims to infer missing points to recover high-sampling trajectories, and map matching, which aims to map GPS points to road segments to determine underlying routes. In this paper, we present efficient methods TRMMA and MMA for accurate trajectory recovery and map matching, respectively, where MMA serves as the first step of TRMMA. In MMA, we carefully formulate a classification task to map a GPS point from sparse trajectories to a road segment over a small candidate segment set, rather than the entire road network. We develop techniques in MMA to generate effective embeddings that capture the patterns of GPS data, directional information, and road segments, to accurately align sparse trajectories to routes. For trajectory recovery, TRMMA focuses on the segments in the route returned by MMA to infer missing points with position ratios on road segments, producing high-sampling trajectories efficiently by avoiding evaluation of all road segments. Specifically, in TRMMA, we design a dual-transformer encoding process to cohesively capture latent patterns in trajectories and routes, and an effective decoding technique to sequentially predict the position ratios and road segments of missing points. We conduct extensive experiments to compare TRMMA and MMA with numerous existing methods for trajectory recovery and map matching, respectively, on 4 large real-world datasets. TRMMA and MMA consistently achieve the best result quality, often by a significant margin.
- Abstract（参考訳）: 現実世界の軌跡は、しばしば低サンプリング率(つまり連続するGPSポイント間の長い間隔)と道路ネットワークと不一致でスパースされるが、多くのアプリケーションは最適な性能のために高品質なデータを要求する。
入力としてスパース軌跡を用いてデータ品質を向上させるため,道路網における軌跡回復と,道路セグメントにGPSポイントをマッピングして経路を決定するマップマッチングという2つの研究課題を系統的に検討した。
本稿では,MMAがTRMMAの第1ステップとして機能する,正確な軌道回復とマップマッチングのための効率的なTRMMAとMMAを提案する。
MMAでは、道路網全体ではなく、狭い軌跡から小さな候補部分集合上の道路セグメントにGPS点をマッピングするための分類タスクを慎重に定式化する。
我々は,GPSデータ,方向情報,道路セグメントのパターンを捕捉する効果的な埋め込みを生成する技術を開発し,スパーストラジェクトリをルートに正確に整列させる。
トラジェクティブリカバリのために,TRMMAはMMAが返却した経路のセグメントに着目し,道路セグメントにおける位置比の欠落点を推定し,全道路セグメントの評価を回避し,高サンプリング軌道を効率的に生成する。
具体的には、TRMMAにおいて、軌道や経路における潜伏パターンを結合的にキャプチャするデュアルトランスフォーマー符号化法と、欠落点の位置比と道路セグメントを逐次予測する効果的な復号法を設計する。
我々は,TRMMA と MMA を,実世界の4つの大規模データセット上で,トラジェクトリ・リカバリ法とマップマッチング法とを比較検討した。
TRMMAとMMAは、しばしばかなりの差で、常に最高の結果の品質を達成する。
関連論文リスト
- Grid and Road Expressions Are Complementary for Trajectory Representation Learning [40.94269411061165]
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。
論文 参考訳（メタデータ） (2024-11-22T07:15:46Z) - Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Efficient Data Representation for Motion Forecasting: A Scene-Specific Trajectory Set Approach [12.335528093380631]
本研究では,異なる状況に合わせたシーン固有の軌跡セットを生成するための新しい手法を提案する。
決定論的ゴールサンプリングアルゴリズムは関連する地図領域を同定する一方,再帰的分布サブサンプリング (RIDS) 法はトラジェクトリの妥当性を高める。
Argoverse 2データセットの実験では、運転エリアコンプライアンスの最大10%の改善が達成されている。
論文 参考訳（メタデータ） (2024-07-30T11:06:39Z) - Local All-Pair Correspondence for Point Tracking [59.76186266230608]
ビデオシーケンス間の任意の点(TAP)を追跡するタスクのために設計された,高精度かつ効率的なモデルであるLocoTrackを紹介する。
LocoTrackは、すべてのTAP-Vidベンチマークで未整合の精度を実現し、現在の最先端の約6倍の速度で動作している。
論文 参考訳（メタデータ） (2024-07-22T06:49:56Z) - 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) - 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) - Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。
本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。
カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
論文 参考訳（メタデータ） (2024-04-11T10:26:40Z) - TAPIR: Tracking Any Point with per-frame Initialization and temporal
Refinement [64.11385310305612]
本稿では,ビデオシーケンスを通して任意の物理面上の問合せ点を効果的に追跡する,TAP(Tracking Any Point)の新しいモデルを提案する。
提案手法では,(1)他のフレームの問合せ点に対する適切な候補点マッチングを独立に特定するマッチング段階と,(2)局所的相関に基づいてトラジェクトリと問合せの両方を更新する改良段階の2段階を用いる。
結果として得られたモデルは、DAVISにおける平均約20%の絶対平均ジャカード(AJ)改善によって示されるように、TAP-Vidベンチマークにおける大きなマージンで、すべてのベースライン手法を上回ります。
論文 参考訳（メタデータ） (2023-06-14T17:07:51Z) - Improving Fuzzy-Logic based Map-Matching Method with Trajectory
Stay-Point Detection [3.093890460224435]
多くのGPS軌跡データセットには、静止点の不規則性が含まれており、地図マッチングアルゴリズムは、無関係な道路へのミスマッチ軌跡を作る。
我々は,DBSCANを用いた軌道データセット内の静止点をクラスタ化し,冗長データを排除し,マップマッチングアルゴリズムの効率を向上する。
提案手法は,従来のファジィ論理に基づくマップマッチング手法と同じ精度で,データサイズを27.39%削減し,処理時間を8.9%削減する。
論文 参考訳（メタデータ） (2022-08-04T20:41:13Z) - 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 Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z)
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。