論文の概要: TRACE: Trajectory Recovery with State Propagation Diffusion for Urban Mobility

• arxiv url: http://arxiv.org/abs/2603.19474v1
• Date: Thu, 19 Mar 2026 21:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.890928
• Title: TRACE: Trajectory Recovery with State Propagation Diffusion for Urban Mobility
• Title（参考訳）: TRACE:都市移動のための状態伝播拡散による軌道回復
• Authors: Jinming Wang, Hai Wang, Hongkai Wen, Geyong Min, Man Luo,
• Abstract要約: 現実世界の軌道はしばしば狭く、不均一に分散した位置を特徴としている。 TRACEと呼ばれるトラジェクトリリカバリのための新しい拡散モデルを提案する。 TRACEはスパースと不完全な入力から密度と連続の軌跡を再構成する。
• 参考スコア（独自算出の注目度）: 34.4498141546852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-quality GPS trajectories are essential for location-based web services and smart city applications, including navigation, ride-sharing and delivery. However, due to low sampling rates and limited infrastructure coverage during data collection, real-world trajectories are often sparse and feature unevenly distributed location points. Recovering these trajectories into dense and continuous forms is essential but challenging, given their complex and irregular spatio-temporal patterns. In this paper, we introduce a novel diffusion model for trajectory recovery named TRACE, which reconstruct dense and continuous trajectories from sparse and incomplete inputs. At the core of TRACE, we propose a State Propagation Diffusion Model (SPDM), which integrates a novel memory mechanism, so that during the denoising process, TRACE can retain and leverage intermediate results from previous steps to effectively reconstruct those hard-to-recover trajectory segments. Extensive experiments on multiple real-world datasets show that TRACE outperforms the state-of-the-art, offering $>$26\% accuracy improvement without significant inference overhead. Our work strengthens the foundation for mobile and web-connected location services, advancing the quality and fairness of data-driven urban applications. Code is available at: https://github.com/JinmingWang/TRACE
• Abstract（参考訳）: 位置情報ベースのWebサービスや、ナビゲーション、ライドシェアリング、デリバリなどスマートシティアプリケーションには、高品質なGPSトラジェクトリが不可欠だ。 しかし、サンプリングレートが低く、データ収集時のインフラカバレッジが限られているため、現実世界の軌跡は希少であり、不均一に分散した位置を特徴とすることが多い。 これらの軌道を高密度かつ連続的な形に復元することは、複雑な時空間パターンと不規則な時空間パターンを考えると、不可欠であるが困難である。 本稿では,スパースおよび不完全入力から高密度かつ連続的な軌道を再構成するTRACEというトラジェクトリリカバリのための新しい拡散モデルを提案する。 TRACEのコアでは,新しいメモリ機構を統合した状態伝搬拡散モデル(SPDM)を提案する。 複数の実世界のデータセットに対する大規模な実験によると、TRACEは最先端のデータセットよりも優れており、推論オーバーヘッドが大きくない精度が$26\%以上向上している。 我々の研究は、モバイルおよびWebに接続された位置情報サービスの基盤を強化し、データ駆動型都市アプリケーションの品質と公平性を向上させる。 コードは、https://github.com/JinmingWang/TRACEで入手できる。

関連論文リスト

• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• STAMImputer: Spatio-Temporal Attention MoE for Traffic Data Imputation [36.880711201508085]
  既存のタイム・ツー・スペースのメソッドは、ブロック単位で欠落したデータシナリオの特徴を効果的に抽出することができないことが多い。 本稿では,トラフィックデータ計算のためのSTAMImputerという,専門家ネットワークの時空間注意混合方式を提案する。 その結果,STAMImputer は既存の SOTA 手法に比べて性能が大幅に向上した。
  論文  参考訳（メタデータ） (2025-06-09T04:05:00Z)
• PLMTrajRec: A Scalable and Generalizable Trajectory Recovery Method with Pre-trained Language Models [31.98187852227127]
  PLMTrajRecと呼ばれる新しい軌道回復モデルを提案する。 事前訓練された言語モデル(PLM)のスケーラビリティを活用し、限られた密度のトラジェクトリでのみ微調整できる。 スパース軌道における異なるサンプリング間隔を扱うために,まず,各軌道のサンプリング間隔と移動特徴を自然言語表現に変換する。
  論文  参考訳（メタデータ） (2024-10-18T08:38:12Z)
• TrajWeaver: Trajectory Recovery with State Propagation Diffusion Model [22.45472148224533]
  希薄な原料から高密度・精細な軌道を回収できるTrajWeaverという新しい回収フレームワークを提案する。 TrajWeaverの中核は、新しい状態伝搬モデル(SPDM)であり、標準拡散モデルの上に新しい状態伝搬機構を導入する。 広範囲な実験により、提案されたTrajWeaverは、様々な長さ、空間レベル、異種旅行モードの生軌道から回復できることが示された。
  論文  参考訳（メタデータ） (2024-09-01T06:42:19Z)
• TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
  TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。 以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。 TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-06-11T06:13:58Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• 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)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• 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)

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。