論文の概要: DiffMM: Efficient Method for Accurate Noisy and Sparse Trajectory Map Matching via One Step Diffusion

• arxiv url: http://arxiv.org/abs/2601.08482v1
• Date: Tue, 13 Jan 2026 12:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.186404
• Title: DiffMM: Efficient Method for Accurate Noisy and Sparse Trajectory Map Matching via One Step Diffusion
• Title（参考訳）: DiffMM: 1ステップ拡散による高精度ノイズとスパース軌跡マップマッチングのための効率的な手法
• Authors: Chenxu Han, Sean Bin Yang, Jilin Hu,
• Abstract要約: 本稿では,エンコーダ拡散に基づくマップマッチングフレームワークであるDiffMMを提案する。 大規模軌跡データセットについて広範な実験を行った。 提案手法は精度と効率の両面で最先端の地図マッチング手法より一貫して優れている。
• 参考スコア（独自算出の注目度）: 7.910040077410762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Map matching for sparse trajectories is a fundamental problem for many trajectory-based applications, e.g., traffic scheduling and traffic flow analysis. Existing methods for map matching are generally based on Hidden Markov Model (HMM) or encoder-decoder framework. However, these methods continue to face significant challenges when handling noisy or sparsely sampled GPS trajectories. To address these limitations, we propose DiffMM, an encoder-diffusion-based map matching framework that produces effective yet efficient matching results through a one-step diffusion process. We first introduce a road segment-aware trajectory encoder that jointly embeds the input trajectory and its surrounding candidate road segments into a shared latent space through an attention mechanism. Next, we propose a one step diffusion method to realize map matching through a shortcut model by leveraging the joint embedding of the trajectory and candidate road segments as conditioning context. We conduct extensive experiments on large-scale trajectory datasets, demonstrating that our approach consistently outperforms state-of-the-art map matching methods in terms of both accuracy and efficiency, particularly for sparse trajectories and complex road network topologies.
• Abstract（参考訳）: スパーストラジェクトリのマップマッチングは,交通スケジューリングやトラフィックフロー解析など,多くのトラジェクトリベースのアプリケーションにおいて基本的な問題である。 マップマッチングの既存の方法は一般にHidden Markov Model (HMM) または encoder-decoder framework に基づいている。 しかし、これらの手法は、ノイズやサンプルの少ないGPSトラジェクトリを扱う際にも大きな課題に直面している。 これらの制約に対処するために,1ステップの拡散プロセスを通じて効率的なマッチング結果を生成する,エンコーダ拡散に基づくマップマッチングフレームワークであるDiffMMを提案する。 まず,道路セグメントを意識した軌道エンコーダを導入し,入力軌道とその周辺道路セグメントをアテンション機構により共有潜在空間に埋め込む。 次に,経路と候補道路セグメントの結合埋め込みを条件付き文脈として利用することにより,ショートカットモデルによる地図マッチングを実現する一段階拡散法を提案する。 大規模トラジェクトリデータセットに関する広範な実験を行い、特にスパーストラジェクトリや複雑な道路網のトポロジにおいて、精度と効率の両面で、我々のアプローチが常に最先端のマップマッチング手法より優れていることを示した。

関連論文リスト

• Test-time scaling of diffusions with flow maps [68.79792714591564]
  テスト時の拡散モデルを改善するための一般的なレシピは、報酬の勾配を拡散そのものの力学に導入することである。 フローマップを直接扱うことで,簡単な解を提案する。 本研究では, 流図と流速場の関係を利用して, 従来のテスト時間法よりも精度の高いフローマップトラジェクトリ・ティルティング (FMTT) アルゴリズムを構築した。
  論文  参考訳（メタデータ） (2025-11-27T18:44:12Z)
• DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
  本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。 極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。 新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
  論文  参考訳（メタデータ） (2025-08-02T03:15:47Z)
• TrajDiff: Diffusion Bridge Network with Semantic Alignment for Trajectory Similarity Computation [39.42796455901991]
  そこで我々はTrajDiffという新しい軌道類似性計算フレームワークを提案する。 具体的には、TrajDiffは、アダプティブフュージョンを備えたクロスアテンションとアテンションスコアマスク機構に依存している。 3つの公開データセットに対する大規模な実験は、TrajDiffが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-06-18T21:52:07Z)
• 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)
• 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)
• Spatial Clustering Approach for Vessel Path Identification [3.2230949286556627]
  位置情報のみを用いて船舶経路をラベル付けするための空間クラスタリング手法を提案する。 距離に基づく経路モデリングと確率推定という2つの手法を用いた経路クラスタリングフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-03-09T03:21:18Z)
• Straighter Flow Matching via a Diffusion-Based Coupling Prior [29.38872850098043]
  フローマッチング(StraightFM)のストレートトラジェクトリを提案する。 分散レベル全体からの結合戦略でトラジェクトリを直線化する。 画素空間と潜伏空間の実験結果から、StraightFMは5段階以内で魅力的なサンプルが得られることが示された。
  論文  参考訳（メタデータ） (2023-11-28T06:19:30Z)
• 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)
• Find a Way Forward: a Language-Guided Semantic Map Navigator [53.69229615952205]
  本稿では,新たな視点で言語誘導ナビゲーションの問題に対処する。 ロボットが自然言語の指示を実行し、地図観測に基づいて目標位置へ移動できるようにする。 提案手法は特に長距離ナビゲーションの場合において顕著な性能向上をもたらす。
  論文  参考訳（メタデータ） (2022-03-07T07:40:33Z)
• 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)
• Tracking Road Users using Constraint Programming [79.32806233778511]
  本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。 提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
  論文  参考訳（メタデータ） (2020-03-10T00:04:32Z)

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。