論文の概要: TrajMamba: An Efficient and Semantic-rich Vehicle Trajectory Pre-training Model

• arxiv url: http://arxiv.org/abs/2510.17545v1
• Date: Mon, 20 Oct 2025 13:54:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.472952
• Title: TrajMamba: An Efficient and Semantic-rich Vehicle Trajectory Pre-training Model
• Title（参考訳）: TrajMamba: 効率的でセマンティックに富んだ自動車軌道事前訓練モデル
• Authors: Yichen Liu, Yan Lin, Shengnan Guo, Zeyu Zhou, Youfang Lin, Huaiyu Wan,
• Abstract要約: 車両GPSは、移動パターンや旅行目的を含む貴重な旅行セマンティクスを保存して、時間の経過とともに車両がどのように動くかを記録している。 旅行セマンティクスを効果的かつ効率的に学習することは、軌道データの現実的な応用に不可欠である。 そこで我々はTrajMambaを提案する。TrajMambaは効率的でセマンティックにリッチな車両軌道学習のための新しいアプローチである。
• 参考スコア（独自算出の注目度）: 31.21671608884327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle GPS trajectories record how vehicles move over time, storing valuable travel semantics, including movement patterns and travel purposes. Learning travel semantics effectively and efficiently is crucial for real-world applications of trajectory data, which is hindered by two major challenges. First, travel purposes are tied to the functions of the roads and points-of-interest (POIs) involved in a trip. Such information is encoded in textual addresses and descriptions and introduces heavy computational burden to modeling. Second, real-world trajectories often contain redundant points, which harm both computational efficiency and trajectory embedding quality. To address these challenges, we propose TrajMamba, a novel approach for efficient and semantically rich vehicle trajectory learning. TrajMamba introduces a Traj-Mamba Encoder that captures movement patterns by jointly modeling both GPS and road perspectives of trajectories, enabling robust representations of continuous travel behaviors. It also incorporates a Travel Purpose-aware Pre-training procedure to integrate travel purposes into the learned embeddings without introducing extra overhead to embedding calculation. To reduce redundancy in trajectories, TrajMamba features a Knowledge Distillation Pre-training scheme to identify key trajectory points through a learnable mask generator and obtain effective compressed trajectory embeddings. Extensive experiments on two real-world datasets and three downstream tasks show that TrajMamba outperforms state-of-the-art baselines in both efficiency and accuracy.
• Abstract（参考訳）: 車両のGPSトラジェクトリは、移動パターンや旅行目的など、貴重な旅行セマンティクスを格納する。 旅行セマンティクスを効果的かつ効率的に学習することは、軌跡データの現実的な応用に不可欠であり、これは2つの大きな課題によって妨げられている。 第一に、旅行目的は旅行に関わる道路と関心点(POI)の機能に結びついている。 このような情報はテキストアドレスや記述にエンコードされ、モデリングに重い計算負担をもたらす。 第二に、現実世界の軌道はしばしば冗長な点を含み、計算効率と軌道埋め込みの品質の両方を損なう。 これらの課題に対処するため,TrajMambaを提案する。 TrajMambaはTraj-Mamba Encoderを導入し、GPSとトラジェクトリーの道路パースペクティブを共同でモデル化し、継続的な旅行行動の堅牢な表現を可能にする。 また、学習した埋め込みに旅行目的を組み込むことで、埋め込み計算に余分なオーバーヘッドを伴わずに、旅行目的を組み込むための旅行目的対応事前訓練手順も組み込まれている。 軌道の冗長性を低減するため、TrajMambaは学習可能なマスクジェネレータを介して鍵軌道点を識別し、効果的に圧縮された軌道埋め込みを得るための知識蒸留事前訓練スキームを備えている。 2つの実世界のデータセットと3つの下流タスクに関する大規模な実験は、TrajMambaが最先端のベースラインを効率と正確性の両方で上回っていることを示している。

関連論文リスト

• PTrajM: Efficient and Semantic-rich Trajectory Learning with Pretrained Trajectory-Mamba [22.622613591771152]
  車両軌道は様々な現実世界の用途に重要な移動情報を提供する。 移動や旅行目的を含む豊かな意味情報を効率的に抽出する軌道学習手法を開発することが不可欠である。 本稿では,効率的な意味豊かな車両軌道学習法であるPTrajMを提案する。
  論文  参考訳（メタデータ） (2024-08-09T07:48:51Z)
• 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)
• 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)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• 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)
• 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)
• AutoTrajectory: Label-free Trajectory Extraction and Prediction from Videos using Dynamic Points [92.91569287889203]
  軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。 動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。 ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
  論文  参考訳（メタデータ） (2020-07-11T08:43:34Z)

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。