論文の概要: TrajDLM: Topology-Aware Block Diffusion Language Model for Trajectory Generation

• arxiv url: http://arxiv.org/abs/2605.10020v1
• Date: Mon, 11 May 2026 05:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.553907
• Title: TrajDLM: Topology-Aware Block Diffusion Language Model for Trajectory Generation
• Title（参考訳）: TrajDLM:軌道生成のためのトポロジーを考慮したブロック拡散言語モデル
• Authors: Wilson Wongso, Lihuan Li, Arian Prabowo, Xiachong Lin, Baiyu Chen, Hao Xue, Flora D. Salim,
• Abstract要約: TrajDLMは,ブロック拡散言語モデルに基づくトポロジ対応トラジェクトリ生成フレームワークである。 3つの都市規模のデータセットにわたって、TrajDLMは、きめ細かい局所類似度メトリクスで強力なパフォーマンスを達成する。 結果は,高精度かつ効率的な軌道生成のためのスケーラブルなアプローチとして,ブロックワイド離散拡散の有効性を強調した。
• 参考スコア（独自算出の注目度）: 12.444424009219077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating high-fidelity synthetic GPS trajectories is increasingly important for applications in transportation, urban planning, and what-if scenario simulation, especially as privacy concerns limit access to real-world mobility data. Existing trajectory generation models face a trade-off between efficiency and faithfulness to road network topology: continuous-space methods enable fast generation but ignore the road network, while topology-aware approaches rely on search-based autoregressive decoding that limits generation speed. We propose TrajDLM, a topology-aware trajectory generation framework based on block diffusion language models that bridges this gap. TrajDLM models trajectories as sequences of discrete road segments, combining a block diffusion backbone for efficient denoising, topology-aware embeddings from a road network encoder, and topology-constrained sampling to ensure coherent and realistic trajectories. Across three city-scale datasets, TrajDLM achieves strong performance on fine-grained local similarity metrics while being up to $2.8\times$ faster than prior work, and demonstrates strong zero-shot transfer across domains, including unseen transportation modes. These results highlight the effectiveness of block-wise discrete diffusion as a scalable approach to accurate and efficient trajectory generation. Our code is available at https://github.com/cruiseresearchgroup/TrajDLM/
• Abstract（参考訳）: 高忠実度合成GPSトラジェクトリの生成は、交通、都市計画、そして実際のモビリティデータへのアクセスを制限するプライバシーに関するシナリオシミュレーションにおいて、ますます重要になっている。 既存の軌道生成モデルは、効率性と道路ネットワークトポロジへの忠実性の間のトレードオフに直面している: 連続空間法は高速な生成を可能にするが、道路ネットワークを無視する一方、トポロジを意識したアプローチは、生成速度を制限するサーチベースの自己回帰デコーディングに依存する。 本稿では,このギャップを埋めるブロック拡散言語モデルに基づくトポロジ対応トラジェクトリ生成フレームワークであるTrajDLMを提案する。 TrajDLMは、分割された道路セグメントのシーケンスとしてトラジェクトリをモデル化し、効率的なデノナイズのためのブロック拡散バックボーン、ロードネットワークエンコーダからのトポロジ対応の埋め込み、そしてコヒーレントで現実的なトラジェクトリを保証するためにトポロジ制約されたサンプリングを組み合わせた。 3つの都市規模のデータセット全体で、TrajDLMは、粒度の細かい局所的類似度指標に対して高いパフォーマンスを達成し、前の作業よりも2.8\times$で、目に見えない輸送モードを含むドメイン間のゼロショット転送を強く示す。 これらの結果は,高精度かつ効率的な軌道生成のためのスケーラブルなアプローチとして,ブロックワイド離散拡散の有効性を強調した。 私たちのコードはhttps://github.com/cruiseresearchgroup/TrajDLM/で利用可能です。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Diff-RNTraj: A Structure-aware Diffusion Model for Road Network-constrained Trajectory Generation [18.28750985486491]
  軌道データは、車両の動きを記録するため、様々な用途に不可欠である。 パブリックに利用可能なトラジェクトリデータセットは、プライバシ上の懸念から、大規模に制限されている。 そこで我々は,道路網に制約のある軌道生成の実践的ニーズを満たすための新しい問題を提案する。
  論文  参考訳（メタデータ） (2024-02-12T01:59:51Z)
• Spatial-Temporal Hypergraph Neural Network for Traffic Forecasting [14.885921562410564]
  STHODE: S-Temporal Hypergraph Neural Ordinary Differential Equation Networkを提案する。 ロードネットワークトポロジとトラフィックダイナミクスを組み合わせて、トラフィックデータの高次時間依存性をキャプチャする。 4つの実世界の交通データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-24T13:49:13Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)

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。