論文の概要: Pathlet Variational Auto-Encoder for Robust Trajectory Generation

• arxiv url: http://arxiv.org/abs/2511.16105v1
• Date: Thu, 20 Nov 2025 06:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.506603
• Title: Pathlet Variational Auto-Encoder for Robust Trajectory Generation
• Title（参考訳）: ロバスト軌道生成のためのパスレット変分自動エンコーダ
• Authors: Yuanbo Tang, Yan Tang, Zixuan Zhang, Zihui Zhao, Yang Li,
• Abstract要約: 軌道生成は近年,プライバシ保護型都市モビリティ研究や位置情報サービスアプリケーションへの関心が高まっている。 本稿では,パスレット表現に基づく深層生成モデルを提案する。このモデルでは,トラジェクトリセグメントの学習辞書に関連付けられた2進ベクトルでトラジェクトリを符号化する。 我々のモデルは、ノイズの多いデータを使ってデータ分散を効果的に学習することができ、2つの現実世界の軌道データセットの強いベースラインに対して、35.4%と26.3%の相対的な改善を実現している。
• 参考スコア（独自算出の注目度）: 16.26294619946259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory generation has recently drawn growing interest in privacy-preserving urban mobility studies and location-based service applications. Although many studies have used deep learning or generative AI methods to model trajectories and have achieved promising results, the robustness and interpretability of such models are largely unexplored. This limits the application of trajectory generation algorithms on noisy real-world data and their trustworthiness in downstream tasks. To address this issue, we exploit the regular structure in urban trajectories and propose a deep generative model based on the pathlet representation, which encode trajectories with binary vectors associated with a learned dictionary of trajectory segments. Specifically, we introduce a probabilistic graphical model to describe the trajectory generation process, which includes a Variational Autoencoder (VAE) component and a linear decoder component. During training, the model can simultaneously learn the latent embedding of pathlet representations and the pathlet dictionary that captures mobility patterns in the trajectory dataset. The conditional version of our model can also be used to generate customized trajectories based on temporal and spatial constraints. Our model can effectively learn data distribution even using noisy data, achieving relative improvements of $35.4\%$ and $26.3\%$ over strong baselines on two real-world trajectory datasets. Moreover, the generated trajectories can be conveniently utilized for multiple downstream tasks, including trajectory prediction and data denoising. Lastly, the framework design offers a significant efficiency advantage, saving $64.8\%$ of the time and $56.5\%$ of GPU memory compared to previous approaches.
• Abstract（参考訳）: 軌道生成は近年,プライバシ保護型都市モビリティ研究や位置情報サービスアプリケーションへの関心が高まっている。 多くの研究は、深層学習や生成AI手法を用いて軌道をモデル化し、有望な結果を得たが、そのようなモデルの堅牢性や解釈性はほとんど解明されていない。 これにより、ノイズの多い実世界のデータに対する軌道生成アルゴリズムの適用と、下流タスクにおける信頼性が制限される。 この問題に対処するために,都市軌跡の正規構造を利用したパスレット表現に基づく深層生成モデルを提案する。 具体的には、変動オートエンコーダ(VAE)コンポーネントと線形デコーダコンポーネントを含むトラジェクトリ生成プロセスを記述する確率的グラフィカルモデルを提案する。 トレーニング中、モデルでは、パスレット表現の潜伏した埋め込みと、軌跡データセット内のモビリティパターンをキャプチャするパスレット辞書を同時に学習することができる。 また, 時間的制約と空間的制約に基づいて, モデル条件付きトラジェクトリを生成することもできる。 我々のモデルは、ノイズの多いデータであってもデータ分散を効果的に学習することができ、2つの実世界の軌道データセットの強いベースラインに対して、35.4\%$と26.3\%$の相対的な改善を達成できる。 さらに、生成されたトラジェクトリは、トラジェクトリ予測やデータのデノイングなど、複数の下流タスクに便利に利用することができる。 最後に、フレームワーク設計は、従来のアプローチに比べて64.8 %の時間と56.5 %のGPUメモリを節約する、大幅な効率上の利点を提供する。

関連論文リスト

• Learning to Track Any Points from Human Motion [55.831218129679144]
  点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。 AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
  論文  参考訳（メタデータ） (2025-07-08T17:59:58Z)
• TrajLearn: Trajectory Prediction Learning using Deep Generative Models [4.097342535693401]
  軌道予測は、現在位置と過去の動きデータを用いて、ある物体の将来の進路を推定することを目的としている。 これらの課題に対処するために,軌道予測の新しいモデルであるTrajLearnを紹介する。 TrajLearnは、複数の潜在的パスを探索するためにカスタマイズされたビーム検索を統合することで、次の$k$ステップを予測する。
  論文  参考訳（メタデータ） (2024-12-30T23:38:52Z)
• 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)
• 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)
• TRAK: Attributing Model Behavior at Scale [79.56020040993947]
  本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
  論文  参考訳（メタデータ） (2023-03-24T17:56:22Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Generating Synthetic Training Data for Deep Learning-Based UAV Trajectory Prediction [11.241614693184323]
  本稿では,無人航空機車(UAV)の合成軌道データを生成する手法を提案する。 実世界のUAV追跡データセットにおいて,RNNに基づく予測モデルが従来の参照モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-01T13:08:31Z)
• TrajGAIL: Generating Urban Vehicle Trajectories using Generative Adversarial Imitation Learning [9.01310450044549]
  本研究は,都市自動車軌跡データの基礎的分布を学習するための生成的モデリング手法を提案する。 都市部における車両軌跡生成モデルは,トレーニングデータの基盤となる分布を学習することにより,トレーニングデータからより一般化することができる。 TrajGAILは、都市自動車軌道生成のための生成的対向的模倣学習フレームワークである。
  論文  参考訳（メタデータ） (2020-07-28T13:17:51Z)
• Mobility Inference on Long-Tailed Sparse Trajectory [2.4444287331956898]
  大規模トラジェクトリデータにおいて,汎用的な長い尾の空間パターンを利用する単一トラジェクトリ推論アルゴリズムを提案する。 このアルゴリズムは、リコールにおける証明可能な低いバウンドで、滞在/旅行推論における100%の精度を保証する。 都市ユーザ4000万人を対象とした3つの軌跡データセットによる評価は,提案アルゴリズムの性能保証を検証した。
  論文  参考訳（メタデータ） (2020-01-21T16:32:38Z)

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。