論文の概要: Hierarchical Spatial-Temporal Graph-Enhanced Model for Map-Matching

• arxiv url: http://arxiv.org/abs/2603.24054v1
• Date: Wed, 25 Mar 2026 08:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.200967
• Title: Hierarchical Spatial-Temporal Graph-Enhanced Model for Map-Matching
• Title（参考訳）: 階層型空間時間グラフ強化モデルによるマップマッチング
• Authors: Anjun Gao, Zhenglin Wan, Pingfu Chao, Shunyu Yao,
• Abstract要約: HSTGMatchは、マップマッチング性能を向上させるために設計された新しいモデルである。 このモデルは、空間的関係を捉えるために適応軌道隣接グラフを構成する。 実験では、モデルの性能、モジュールの有効性、堅牢性を実証した。
• 参考スコア（独自算出の注目度）: 24.19628261479691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of GNSS data into portable devices has led to the generation of vast amounts of trajectory data, which is crucial for applications such as map-matching. To tackle the limitations of rule-based methods, recent works in deep learning for trajectory-related tasks occur. However, existing models remain challenging due to issues such as the difficulty of large-scale data labeling, ineffective modeling of spatial-temporal relationships, and discrepancies between training and test data distributions. To tackle these challenges, we propose HSTGMatch, a novel model designed to enhance map-matching performance. Our approach involves a two-stage process: hierarchical self-supervised learning and spatial-temporal supervised learning. We introduce a hierarchical trajectory representation, leveraging both grid cells and geographic tuples to capture moving patterns effectively. The model constructs an Adaptive Trajectory Adjacency Graph to dynamically capture spatial relationships, optimizing GATs for improved efficiency. Furthermore, we incorporate a Spatial-Temporal Factor to extract relevant features and employ a decay coefficient to address variations in trajectory length. Our extensive experiments demonstrate the model's superior performance, module effectiveness, and robustness, providing a promising solution for overcoming the existing limitations in map-matching applications. The source code of HSTGMatch is publicly available on GitHub at https://github.com/Nerooo-g/HSTGMatch.
• Abstract（参考訳）: GNSSデータのポータブルデバイスへの統合は、地図マッチングのようなアプリケーションにとって重要な膨大なトラジェクトリデータの生成につながった。 ルールベース手法の限界に対処するため,近年,軌道関連タスクの深層学習に関する研究が進められている。 しかし、大規模なデータラベリングの難しさ、空間的・時間的関係の非効率なモデリング、トレーニングとテストデータの分散の相違など、既存のモデルは依然として困難である。 これらの課題に対処するために,地図マッチング性能の向上を目的とした新しいモデルであるHSTGMatchを提案する。 提案手法は,階層型自己教師型学習と時空間教師型学習という2段階のプロセスを含む。 グリッドセルと地理的タプルを併用した階層的軌道表現を導入し,移動パターンを効果的に捉える。 このモデルは適応軌道アジャケーシグラフを構築し、空間的関係を動的にキャプチャし、GATを最適化して効率を向上する。 さらに,空間時間係数を組み込んで関連する特徴を抽出し,軌道長の変動に対処するために減衰係数を用いる。 我々の広範な実験は、モデルの性能、モジュールの有効性、堅牢性を実証し、マップマッチングアプリケーションにおける既存の制限を克服するための有望なソリューションを提供する。 HSTGMatchのソースコードはGitHubでhttps://github.com/Nerooo-g/HSTGMatchで公開されている。

関連論文リスト

• Beyond the Proxy: Trajectory-Distilled Guidance for Offline GFlowNet Training [36.64849664688883]
  Trajectory-Distilled GFlowNet(TD-GFN)は、新しいプロキシフリートレーニングフレームワークである。 逆強化学習を通じて、オフライン軌道から高密度で遷移レベルなエッジ報酬を学習する。 コンバージェンス速度と最終サンプル品質の両方において、既存のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2025-05-26T15:12:22Z)
• Graph Data Selection for Domain Adaptation: A Model-Free Approach [54.27731120381295]
  グラフドメイン適応(GDA)は、グラフ機械学習の基本的なタスクである。 本稿では,対象ドメインの分類タスクに対して,ソースドメインから最高のトレーニングデータを選択する新しいモデルフリーフレームワークであるGRADATEを提案する。 GRADATEは既存の選択法よりも優れており、トレーニングデータが少なく、市販のGDA法を向上する。
  論文  参考訳（メタデータ） (2025-05-22T21:18:39Z)
• HGTUL: A Hypergraph-based Model For Trajectory User Linking [2.9945319641858985]
  Tray User Linking (TUL) は、匿名のトラジェクトリとそれを生成するユーザをリンクする。 HGTUL(HyperGraph-based Multi-perspective Trajectory User Linking Model)を提案する。
  論文  参考訳（メタデータ） (2025-02-11T13:39:35Z)
• Modeling Multi-Task Model Merging as Adaptive Projective Gradient Descent [72.10987117380584]
  複数のエキスパートモデルをマージすることは、元のデータにアクセスせずにマルチタスク学習を実行するための有望なアプローチを提供する。 既存のメソッドは、競合を引き起こす一方で、パフォーマンスにとって重要なタスク固有の情報を捨てている。 我々の手法は従来の手法より一貫して優れており、視覚領域とNLP領域の両方において様々なアーキテクチャやタスクにまたがって最先端の結果が得られます。
  論文  参考訳（メタデータ） (2025-01-02T12:45:21Z)
• 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)
• Automated Spatio-Temporal Graph Contrastive Learning [18.245433428868775]
  パラメータ化コントラストビュージェネレータを用いた時間自動拡張方式を開発した。 AutoSTは多視点セマンティクスをよく保存した異種グラフに適応することができる。 いくつかの実世界のデータセットで3つのダウンストリーム時間的マイニングタスクの実験は、大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2023-05-06T03:52:33Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。