論文の概要: Traj-Transformer: Diffusion Models with Transformer for GPS Trajectory Generation

• arxiv url: http://arxiv.org/abs/2510.06291v1
• Date: Tue, 07 Oct 2025 05:41:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.102829
• Title: Traj-Transformer: Diffusion Models with Transformer for GPS Trajectory Generation
• Title（参考訳）: トラジ変圧器:GPS軌道生成用変圧器付き拡散モデル
• Authors: Zhiyang Zhang, Ningcong Chen, Xin Zhang, Yanhua Li, Shen Su, Hui Lu, Jun Luo,
• Abstract要約: 本稿では,条件情報埋め込みと雑音予測の両方にトランスフォーマバックボーンを用いた新しいモデルであるトラジェクトリ・トランスフォーマーを提案する。 2つの実世界のデータセットの実験により、トレイトランスフォーマーは生成品質を大幅に向上し、以前のアプローチで見られた問題を効果的に緩和することを示した。
• 参考スコア（独自算出の注目度）: 15.689474391811734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread use of GPS devices has driven advances in spatiotemporal data mining, enabling machine learning models to simulate human decision making and generate realistic trajectories, addressing both data collection costs and privacy concerns. Recent studies have shown the promise of diffusion models for high-quality trajectory generation. However, most existing methods rely on convolution based architectures (e.g. UNet) to predict noise during the diffusion process, which often results in notable deviations and the loss of fine-grained street-level details due to limited model capacity. In this paper, we propose Trajectory Transformer, a novel model that employs a transformer backbone for both conditional information embedding and noise prediction. We explore two GPS coordinate embedding strategies, location embedding and longitude-latitude embedding, and analyze model performance at different scales. Experiments on two real-world datasets demonstrate that Trajectory Transformer significantly enhances generation quality and effectively alleviates the deviation issues observed in prior approaches.
• Abstract（参考訳）: GPSデバイスの普及により、時空間データマイニングの進歩が加速し、機械学習モデルが人間の意思決定をシミュレートし、リアルな軌跡を生成し、データ収集コストとプライバシー上の懸念の両方に対処できるようになった。 近年の研究では、高品質な軌道生成のための拡散モデルが期待されている。 しかし、既存のほとんどの手法は、拡散過程のノイズを予測するために畳み込みに基づくアーキテクチャ(例えばUNet)に依存しており、しばしば顕著なずれと、モデルキャパシティの制限による街路レベルの細部の詳細が失われる。 本稿では,条件情報埋め込みと雑音予測の両方にトランスフォーマバックボーンを用いた新しいモデルであるトラジェクトリ・トランスフォーマーを提案する。 位置埋め込みと経度勾配埋め込みの2つのGPS座標埋め込み戦略について検討し,異なるスケールでのモデル性能の解析を行った。 2つの実世界のデータセットの実験により、Trajectory Transformerは生成品質を大幅に向上し、以前のアプローチで見られた偏差問題を効果的に緩和することを示した。

関連論文リスト

• Unveil Benign Overfitting for Transformer in Vision: Training Dynamics, Convergence, and Generalization [88.5582111768376]
  本研究では, ソフトマックスを用いた自己保持層と, 勾配勾配下での完全連結層からなるトランスフォーマーの最適化について検討した。 この結果から,データモデルにおける信号対雑音比に基づいて,小さなテストエラー位相と大規模なテストエラー状態とを区別できるシャープ条件を確立した。
  論文  参考訳（メタデータ） (2024-09-28T13:24:11Z)
• Hybrid Transformer and Spatial-Temporal Self-Supervised Learning for Long-term Traffic Prediction [1.8531577178922987]
  本稿では,ハイブリッドトランスフォーマーと自己教師型学習を組み合わせたモデルを提案する。 このモデルは、トラフィックのシーケンスレベルにデータ拡張技術を適用することにより、適応的なデータ拡張を強化する。 本研究では,時間的および空間的依存をモデル化する2つの自己教師型学習タスクを設計し,モデルの精度と能力を向上させる。
  論文  参考訳（メタデータ） (2024-01-29T06:17:23Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• 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)
• Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
  簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。 単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
  論文  参考訳（メタデータ） (2023-05-26T00:43:02Z)
• 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)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
  トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。 最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。 Transformerモデルをより効率的にすることに注力している。
  論文  参考訳（メタデータ） (2023-02-27T18:18:13Z)
• TrAISformer -- A Transformer Network with Sparse Augmented Data Representation and Cross Entropy Loss for AIS-based Vessel Trajectory Prediction [9.281166430457647]
  船舶軌道予測は多くの海洋アプリケーションやサービスにおいて重要な役割を担っている。 AISデータを用いた血管軌跡の予測は、現代の機械学習技術においても困難である。 我々は、AISデータの離散的高次元表現と、異質性や多様性に明示的に対処するために設計された新しい損失関数を導入する。 TrAISformerは10海里から10時間以内の平均予測性能で最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2021-09-08T22:44:33Z)

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。