GPS轨迹地图匹配的条件随机场特征选择

Reachability Embeddings：基于多模态地理空间计算机视觉移动轨迹的可扩展自监督表示学习

Reachability Embeddings: Scalable Self-Supervised Representation Learning from Mobility Trajectories for Multimodal Geospatial Computer Vision

Apple（苹果公司）

自监督表示学习技术利用没有语义注释的大型数据集来学习有意义的通用特征，这些特征可以方便地转移以解决各种各样的下游监督任务。在本文中，我们提出了一种自监督的方法来学习表示的地理位置从未标记的GPS轨迹，以解决下游的地理空间计算机视觉任务。由地球表面的光栅表示产生的瓦片被建模为图形上的节点或图像的像素。GPS轨迹被建模为允许马尔可夫路径在这些节点上。一个可扩展的和分布式的算法来计算图像一样的张量，称为可达性摘要，瓷砖和他们的邻居之间的空间连接模式所观察到的马尔可夫路径暗示。训练卷积压缩自动编码器来学习每个图块的可达性摘要的压缩表示，称为可达性嵌入。可达性嵌入作为任务不可知的地理位置的特征表示。使用可达性嵌入作为五个不同的下游地理空间任务的像素表示，作为监督语义分割问题，我们定量地证明了可达性嵌入是语义上有意义的表示，并导致4-23%的性能增益，同时使用高达67%的轨迹数据，如使用精确度-召回曲线下的面积（AUPRC）度量所测量的，当与使用不考虑图块之间的空间连接性的像素表示的基线模型相比时。可达性嵌入将连续的时空移动数据转换为语义上有意义的图像状张量表示，这些张量表示可以与其他图像源相结合，并且旨在促进地理空间计算机视觉中的多模态学习。

2022-07-15cs.AIcs.CVcs.LG

上下文增强的多视图轨迹表示学习：通过自监督模型弥合差距

Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models

Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Nanyang Technological University（南洋理工大学）

本文提出MVTraj多视图轨迹表示学习方法，以GPS轨迹为桥梁，通过自监督预训练和分层跨模态交互融合路网、兴趣点等多源上下文信息，在多种空间视图相关任务上显著优于现有基线。

2024-10-18cs.AIcs.LG

包围学习在鸟类GPS轨迹雌雄分类中的应用

Ensemble Learning Applied to Classify GPS Trajectories of Birds into Male or Female

DevScope S.A.（DevScope股份有限公司）

我们描述了我们对动物行为挑战赛（ABC 2018）的第一名解决方案，即从GPS轨迹预测鸟类的性别。这项任务包括根据它们如何在大海中航行来预测海鸥的性别。这些轨迹是从附着在海鸥身体上的GPS记录器收集的，并表示为GPS点（纬度和经度）的可变长度序列，以及相关的元信息，例如太阳方位角，太阳仰角，白天，开始旅行后每个GPS位置的经过时间，当地时间（日期被修剪），以及从旅行开始的一天的指示符。经过广泛的特征工程，我们使用了梯度提升分类器的几种变体以及高斯过程分类器和支持向量分类器的集成，我们在74个注册团队中排名第一。我们尝试的梯度提升分类器的变体是CatBoost（由Yandex开发），LightGBM（由Microsoft开发），XGBoost（由分布式机器学习社区开发）。我们的方法可以很容易地适应于其他应用程序，其目标是预测一个分类输出从一个可变长度的序列。

2018-08-26cs.LGstat.ML

半监督GANs在GPS轨迹中推断旅行模式

Semi-supervised GANs to Infer Travel Modes in GPS Trajectories

Transportation Research for Integrated Planning (TRIP) Lab（交通综合规划研究实验室）；Concordia University（康考迪亚大学）；Laboratory of Innovations in Transportation (LiTrans)（交通创新实验室）；Ryerson University（瑞尔森大学）

半监督生成对抗网络（GANs）是在使用一维智能手机轨迹数据进行旅行模式推断的背景下开发的。我们使用的数据来自加拿大蒙特利尔的一项大规模智能手机旅行调查。我们将GPS轨迹转换为具有五个通道（变量）的固定大小的段。我们开发了不同的GANs架构，并将其预测结果与卷积神经网络（CNN）进行了比较。最好的半监督GANs模型的预测准确率为83.4%，而最好的CNN模型的预测准确率为81.3%。结果与以前的研究相比，尤其是考虑到数据集的大规模现实世界性质时。

2021-05-11cs.LGstat.ML

使用卷积神经网络从GPS轨迹推断运输模式

Inferring transportation modes from GPS trajectories using a convolutional neural network

Virginia Tech（弗吉尼亚理工学院）

确定用户的交通方式分布是出行需求分析和交通规划的重要组成部分。随着无处不在的GPS使能设备（例如，智能手机），用于推断通勤者的移动模式的成本有效的方法是利用他们的GPS轨迹。大多数研究都提出了基于手工特征和传统机器学习算法的模式推理模型。然而，手工特征产生一些主要的缺点，包括易受交通和环境条件的影响，以及在创建有效特征时具有人类的偏见。克服这些问题的一种方法是利用卷积神经网络（CNN）方案，该方案能够从原始输入自动驱动高级特征。因此，在本文中，我们利用CNN架构，以便仅基于原始GPS轨迹来预测出行模式，其中模式被标记为步行、自行车、公共汽车、驾驶和训练。我们的主要贡献是设计CNN的输入层的布局，不仅适用于CNN方案，而且代表了移动对象的基本运动特征，包括速度，加速度，加加速度和轴承率。此外，我们通过几个数据预处理步骤改善GPS日志的质量。使用干净的输入层，评估各种CNN配置以实现最佳CNN架构。通过最佳CNN配置的集成，实现了84.8%的最高准确度。在这项研究中，我们将我们的方法与传统的机器学习算法以及开创性的和最相关的研究进行对比，以证明我们的框架的优越性。

2018-04-05cs.LGstat.ML

CATS：基于深度学习方法的面向隐私保护轨迹数据发布的条件对抗轨迹合成

CATS: Conditional Adversarial Trajectory Synthesis for Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches

University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Columbia University（哥伦比亚大学）

CATS框架通过K-匿名分布约束、条件对抗训练、注意力上下文学习和二分图匹配，生成高质量隐私保护轨迹数据，并在9万条GPS轨迹上验证了其在隐私、时空特征和下游效用上的优势。

2023-09-20cs.AIcs.CRcs.LG

用于从神经脉冲序列推断潜在轨迹的线性时间高斯过程

Linear Time GPs for Inferring Latent Trajectories from Neural Spike Trains

Stony Brook University（石溪大学）；National Institute of Mental Health（美国国家精神卫生研究所）；Champalimaud Research（尚帕利莫研究院）

本文提出cvHM框架，结合Hida-Matérn核与CVI及双向信息滤波，为任意似然下的潜在神经轨迹推断提供线性时间复杂度的变分方法，并利用Whittle近似似然高效学习超参数。

2023-06-01cs.LGq-bio.NCstat.AP

城市范围交通量推断的密集和不完整轨迹联合建模

Joint Modeling of Dense and Incomplete Trajectories for Citywide Traffic Volume Inference

The Pennsylvania State University, USA（宾夕法尼亚州立大学，美国）；Tencent AI Lab（腾讯AI实验室）；Yantai University, China（烟台大学，中国）；University of Central Florida, USA（中佛罗里达大学，美国）；University of Science and Technology of China, China（中国科学技术大学，中国）；Intellifusion Inc.（Intellifusion公司，美国（注：根据常见翻译补充，原文本未明确国家，但机构名本身为Intellifusion Inc.））

实时交通量推断是智能城市的关键。这是一项具有挑战性的任务，因为只能在安装传感器的某些位置测量道路上的准确交通量。此外，由于天气、事件、假日等的影响，交通随着时间的推移而演变。现有的交通量推断问题的解决方案通常依赖于密集的GPS轨迹，这不可避免地不能考虑没有携带GPS设备或将其关闭的车辆。因此，结果偏向于出租车，因为它们几乎总是在线进行GPS跟踪。在本文中，我们提出了一个新的框架，全市范围内的交通量推断使用密集的GPS轨迹和摄像头监控系统捕获的不完整的轨迹。我们的方法采用高保真交通模拟器和深度强化学习来从不完整的轨迹中恢复完整的车辆运动。为了联合建模恢复的轨迹和密集的GPS轨迹，我们构建时空图，并使用多视图图嵌入编码到实值向量的路段之间的多跳相关性。最后，我们推断全市范围内的交通量的监测路段的交通值传播到未监测的通过掩蔽成对相似。在中国一个省会城市的两个大区域的广泛实验验证了我们的方法的有效性。

2019-02-25cs.LGcs.SIstat.ML

条件神经过程

Conditional Neural Processes

DeepMind（深度思维）；Imperial College London（帝国理工学院）

深度神经网络擅长于函数逼近，但它们通常是为每个新函数从头开始训练的。另一方面，贝叶斯方法，如高斯过程（GP），利用先验知识在测试时快速推断新函数的形状。然而，GP在计算上是昂贵的，并且很难设计适当的先验。在本文中，我们提出了一系列的神经模型，条件神经过程（CNP），结合两者的好处。CNP的灵感来自于随机过程（如GP）的灵活性，但它被构造为神经网络，并通过梯度下降进行训练。CNP在仅观察少数训练数据点后就能做出准确的预测，但可以扩展到复杂的函数和大型数据集。我们展示了一系列典型的机器学习任务，包括回归，分类和图像完成的方法的性能和多功能性。

2018-07-04cs.LGstat.ML

非高斯过程回归

Non-Gaussian Process Regression

University of Cambridge（剑桥大学）

标准GP为行为良好的过程提供了灵活的建模工具。然而，偏离高斯性预计会出现在现实世界的数据集，结构异常值和冲击经常观察到。在这些情况下，全科医生可能无法充分模拟不确定性，并可能过度平滑推论。在这里，我们将GP框架扩展到一类新的时变GP，允许对重尾非高斯行为进行直接建模，同时通过非均匀GP表示的无限混合保留易于处理的条件GP结构。条件GP结构是通过调节潜在的转换输入空间上的观察和潜在的转换的随机演化建模使用Lévy过程，允许贝叶斯推断在后验预测密度和潜在的转换功能。我们提出了马尔可夫链蒙特卡罗推理程序，这个模型，并证明了潜在的好处相比，标准GP。

2022-09-07cs.LGstat.ML

分子的条件神经过程

Conditional Neural Processes for Molecules

University of Cambridge（剑桥大学）

神经过程（NPs）是迁移学习的模型，具有高斯过程（GP）的特性。它们擅长于对由相同输入空间上的许多相关函数的少量观测组成的数据进行建模，并通过最小化变分目标进行训练，这在计算上比GP所需的贝叶斯更新便宜得多。到目前为止，大多数关于NP的研究都集中在低维数据集上，这些数据集并不能代表现实的迁移学习任务。药物发现是一个应用领域，其特征在于由许多化学性质或功能组成的数据集，这些化学性质或功能很少被观察到，但依赖于分子输入的共享特征或表示。本文将条件神经过程（CNP）应用于DOCKSTRING，这是一个用于基准ML模型的对接分数数据集。相对于化学信息学中常见的监督学习基线，CNP在Few-Shot学习任务中表现出竞争力，以及基于预训练和精炼神经网络回归量的迁移学习的替代模型。我们提出了一个贝叶斯优化实验，展示了CNPs的概率性质，并讨论了该模型在不确定性量化方面的不足。

2023-02-23cs.LGstat.ML

向狮子学习：从轨迹推断代理的效用

Learning from lions: inferring the utility of agents from their trajectories

University of Oxford（牛津大学）

我们建立了一个模型，使用高斯过程来推断从观察到的代理轨迹的时空向量场。在代理环境中的重要地标或影响点是通过向量演算操作，表明存在的源和汇联合得出的。我们评估这些影响点，通过使用的Kullback-Leibler分歧的推断时空向量场的后验和先验拉普拉斯算子。通过定位影响轨迹的重要特征，我们的模型旨在更深入地了解决定代理决策的潜在因果效用函数。我们的模型的一个关键特征是，它推断出一个联合高斯过程的观察轨迹，随时间变化的向量场的效用和规范的向量演算算子。我们将我们的模型应用于津巴布韦南部布拜谷保护区收集的合成数据和狮子GPS数据。

2017-09-07cs.AIstat.APstat.ML

可控交通流模拟中的有导条件扩散

Guided Conditional Diffusion for Controllable Traffic Simulation

Columbia University（哥伦比亚大学）；NVIDIA（英伟达）；Stanford University（斯坦福大学）；Georgia Tech（佐治亚理工学院）；NVIDIA Research（英伟达研究院）

可控和真实的交通仿真对于开发和验证自动驾驶汽车至关重要。典型的基于仿真的交通模型提供灵活的控制，使车辆遵循特定的轨迹和交通规则。另一方面，数据驱动的方法可以生成逼真的和类似人类的行为，从而改善从模拟到真实世界交通的传输。然而，据我们所知，没有一个流量模型能够同时提供可控性和真实性。在这项工作中，我们开发了一个条件扩散模型的可控交通产生（CTG），允许用户控制所需的属性的轨迹在测试时（例如，达到目标或遵循速度限制），同时通过强制动力学保持现实主义和物理可行性。关键的技术思想是利用扩散建模和可微逻辑的最新进展来指导生成的轨迹，以满足使用信号时序逻辑（STL）定义的规则。我们进一步将指导扩展到多智能体设置，并启用基于交互的规则，如碰撞避免。CTG在nuScenes数据集上进行了广泛的多样性和复合规则评估，证明了在可扩展性-现实主义权衡方面优于强基线的改进。

2022-10-31cs.AIcs.LGcs.RO

基于图模型的高斯型专家选择

Gaussian Experts Selection using Graphical Models

University of Tuebingen（图宾根大学）

局部近似是将高斯过程（GP）扩展到大数据的流行方法。局部近似通过将原始数据集划分为子集并在每个子集上训练局部专家来降低时间复杂度。假设专家之间的条件依赖性或独立性，聚合专家的预测。在专家之间施加\emph{conditional independence assumption}（CI）使得不同专家预测的聚合具有时间效率，但代价是不确定性量化较差。另一方面，建模依赖专家可以提供精确的预测和不确定性量化的代价不切实际的高计算成本。通过消除弱专家通过理论指导的专家选择步骤，我们大大降低了计算成本的聚集依赖的专家，同时确保校准的不确定性量化。我们利用无向图模型的文献中的技术，使用稀疏精度矩阵编码专家之间的条件依赖关系，以选择最重要的专家。莫列奥夫

2021-08-31cs.LGstat.ML

面向轨迹异常检测的物理信息扩散方法研究

Towards Physics-informed Diffusion for Anomaly Detection in Trajectories

University of Minnesota（明尼苏达大学）

针对现有轨迹异常检测生成式模型未考虑细粒度时空依赖与物理先验、假阳性率高的问题，提出融合运动学约束的物理信息扩散模型，在海事和城市真实数据集上实现了更优的异常检测准确率与轨迹生成误差表现。

2025-06-14cs.AIcs.CVcs.LG

基于轨迹分布模型的目的地预测

Destination Prediction by Trajectory Distribution Based Model

在本文中，我们提出了一种新的方法来预测最终目的地的车辆行程的基础上，其初始部分轨迹。我们首先回顾一下我们是如何获得描述用户行为的轨迹聚类的。然后，我们解释了我们如何建模的主要交通流模式的混合二维高斯分布。这产生了基于密度的位置聚类，其产生每个图案内的相似点的数据驱动网格。我们提出了如何使用这个模型来预测一个新的轨迹的最终目的地的基础上，他们的第一个位置使用两个步骤的过程：我们首先分配新的轨迹的集群，它不太可能属于。其次，我们使用这些集群内的轨迹特征来预测最终目的地。最后，我们提出了我们的方法分类的轨迹和最终目的地预测的时间戳GPS定位的出租车行程的数据集上的实验结果。我们在两个不同的数据集上测试我们的方法，以评估我们的方法自动适应不同子集的能力。

2016-05-10stat.ML

CMTS：用于生成安全关键驾驶场景的条件多轨迹合成器

CMTS: Conditional Multiple Trajectory Synthesizer for Generating Safety-critical Driving Scenarios

Carnegie Mellon University（卡内基梅隆大学）

自然驾驶轨迹对于自动驾驶算法的性能至关重要。然而，大多数数据是在安全的情况下收集的，导致轨迹的重复，这很容易被目前开发的算法处理。在考虑安全性时，在几乎没有出现在现成数据集中的情况下测试算法是评估的重要组成部分。作为一种补救措施，我们提出了一种基于变分贝叶斯方法的近炸数据合成框架，并称之为条件多轨迹合成器（CMTS）。我们利用一个生成模型的条件下，道路地图桥梁安全和碰撞驾驶数据，代表他们在潜在空间中的分布。通过从未遂分布中采样，我们可以合成对于理解交通场景至关重要的安全关键数据，但这些数据既没有显示在原始数据集中，也没有显示在碰撞数据集中。实验结果表明，增强后的数据集覆盖了更多的驾驶场景，尤其是近距离碰撞场景，提高了轨迹预测的准确性和处理危险驾驶场景的能力。

2019-10-02cs.CVcs.LGcs.RO