首页/论文/1409.0797

arXiv 1409.07972014-09-02stat.MLcs.LG

基于特征工程的道路网低采样率GPS轨迹地图匹配

Feature Engineering for Map Matching of Low-Sampling-Rate GPS Trajectories in Road Network

Technische Universität München（慕尼黑工业大学）

Jian Yang, Liqiu Meng

备注：: ECML/PKDD14 workshop on Machine Learning for Urban Sensor Data(SenseML)

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

GPS轨迹的地图匹配从一系列的噪声观测服务于恢复的道路网络中的原始路线的目的。在这项正在进行的工作中，我们试图分享我们的经验，在空间数据库中的功能建设报告我们正在进行的实验中的特征提取条件随机场（CRF）的地图匹配。我们的初步结果是从现实世界的出租车GPS轨迹中获得的。

英文摘要：

Map matching of GPS trajectories from a sequence of noisy observations serves the purpose of recovering the original routes in a road network. In this work in progress, we attempt to share our experience of feature construction in a spatial database by reporting our ongoing experiment of feature extrac-tion in Conditional Random Fields (CRFs) for map matching. Our preliminary results are obtained from real-world taxi GPS trajectories.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

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

GPS轨迹地图匹配的条件随机场特征选择

Feature Selection in Conditional Random Fields for Map Matching of GPS Trajectories

GPS轨迹的地图匹配服务于从噪声GPS观测序列中恢复道路网络上的原始路线的目的。它是许多基于位置的服务的基础技术。然而，低采样率的城市道路网地图匹配仍然是一个具有挑战性的任务。本文研究了条件随机场在引入大量上下文特征和特征选择方面的特点，并将其应用于低采样率下的GPS轨迹地图匹配。出租车轨迹数据集上的实验表明，我们的方法可以实现有竞争力的结果，以及成功地降低模型的复杂性计算有限的应用程序。

2014-09-02cs.AIcs.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

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

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

更多相关论文收起更多论文

基于粒子滤波器的概率地图匹配

Probabilistic map-matching using particle filters

车辆GPS数据的日益可用性为交通管理、路线规划和其他基于位置的服务创造了潜在的变革机会。数据的准确性对数据的效用至关重要。地图匹配是通过将GPS数据与道路网络对齐来提高精度的过程。在本文中，我们提出了一个纯粹的概率方法来地图匹配的基础上，称为粒子滤波器的序贯蒙特卡罗算法。该方法通过产生一系列候选解决方案来执行地图匹配，每个候选解决方案具有相关联的概率得分。我们概述了实施细节，并彻底验证了不同质量的GPS数据的技术。

2016-11-29stat.ML

基于深度自编码器的道路使用者异常轨迹检测

Road User Abnormal Trajectory Detection using a Deep Autoencoder

Polytechnique Montréal（蒙特利尔高等理工学院）

在本文中，我们专注于开发一种方法，检测异常轨迹的道路使用者在交通路口。这方面的主要困难是异常数据很少，正常数据不足以训练任何类型的机器学习模型。为了解决这些问题，我们提出了使用深度自动编码器网络的解决方案，该网络仅通过被视为正常的增强数据进行训练。通过生成人工异常轨迹，我们的方法进行了测试，在四个不同的户外城市用户场景和一些经典的离群点检测方法相比，表现更好。

2018-08-25cs.CVcs.LGstat.ML

基于图的网络约束轨迹数据聚类方法

Graph-Based Approaches to Clustering Network-Constrained Trajectory Data

Télécom ParisTech（巴黎电信学院）；Université Paris I Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦大学）

尽管聚类轨迹数据在过去几年中引起了相当大的关注，但大多数先前的工作假设移动对象可以在欧几里得空间中自由移动，并且没有考虑潜在道路网络的最终存在及其对评估轨迹之间相似性的影响。在本文中，我们提出了两种方法来聚类网络约束的轨迹数据。第一种方法发现沿着道路网络的相同部分行进的轨迹的集群。第二种方法是面向路段的，其目的是根据路段共有的轨迹将路段分组在一起。这两种方法都使用一个图模型来描述观察w.r.t.之间的相互作用。它们的相似性，并使用社区发现算法对该相似性图进行聚类。我们还提出了合成数据上获得的实验结果来展示我们的主张。

2012-10-02cs.LGstat.ML

网络约束轨迹数据的协同聚类

Co-Clustering Network-Constrained Trajectory Data

Télécom ParisTech（巴黎电信学院）；Orange Labs（Orange实验室）；Université Paris I Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦）

最近，聚类移动对象的轨迹不断获得兴趣，从数据挖掘和机器学习社区。然而，这个问题主要是在运动物体可以在欧氏空间上自由运动的情况下进行广泛研究的。在本文中，我们研究的车辆的运动受到限制的底层道路网络的聚类轨迹的问题。我们将这些轨迹和路段之间的关系建模为二分图，并尝试对其顶点进行聚类。我们展示了我们的合成数据的方法，并展示了它是如何在推断知识的流动动力学和驾驶员使用道路网络的行为是有用的。

2015-11-04cs.DBcs.LGstat.ML

基于OD行程时间矩阵的行程时间预测神经网络模型

Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix

公共交通系统通勤者通常对获得准确的旅行时间信息以计划他们的日常活动感兴趣。然而，由于天气状况、道路事故和交通堵塞等因素造成的道路交通的不规则性，这些信息通常难以准确预测。在这项研究中，两个神经网络模型，即多层（MLP）感知器和长短期模型（LSTM）开发用于预测路段行程时间的繁忙路线与输入使用来自历史GPS数据集的始发地-目的地行程时间矩阵。实验结果表明，两种模型都可以做出接近准确的预测，但是随着时间步长的增加，LSTM更容易受到噪声的影响。

2020-04-08cs.LGcs.NEstat.ML

基于大GPS轨迹集的路径选择集生成实验

Experiments on route choice set generation using a large GPS trajectory set

在文献中开发的几种路线选择模型是基于相对较少的观察。随着跟踪设备在最近的调查中的广泛使用，有可能获得关于旅行者的选择行为的见解。在本文中，不同的路径生成算法进行了评估，使用一个大型的GPS轨迹数据集。该数据集包含来自特拉维夫大都市区的6，000个观测结果。通过基于最短路径生成单一路径来执行初始分析。使用单一路径可以覆盖6，000个观测值中的近60%（假设阈值为80%重叠）。这一结果与以前的文献结果显著不同。分别采用链路惩罚法、链路消除法、仿真法和过节点法生成路径集，并比较了算法的一致性。一个修改的链接惩罚方法，占优先使用更高层次的道路，提供了一个路线集97%的覆盖率（80%的重叠阈值）。通过节点的方法产生的路由集具有令人满意的覆盖范围，并产生更多的异构路由（在链路数和路由比）。

2020-05-22physics.soc-phstat.MEstat.ML

基于HDP分裂-合并采样算法的驾驶员行为贝叶斯非参数建模

Bayesian Nonparametric Modeling of Driver Behavior using HDP Split-Merge Sampling Algorithm

现代汽车配备了越来越复杂的传感器。这些传感器生成大量数据，为建模和分析提供了机会。在这里，我们有兴趣利用这些数据来了解与个体驾驶员相关的行为和道路网络。我们的数据集是在用于通勤上班和个人旅行的标准车辆上收集的。利用在GPS位置和定向数据上训练的隐马尔可夫模型（HMM）将大量的位置信息压缩成少量的路段状态。每个状态都有一组与之相关联的观察结果，即汽车信号，这些信号被量化并建模为分层狄利克雷过程（HDP）的绘制。主题分布的推断使用HDP分裂合并抽样算法进行。联合量化的汽车信号上的主题分布表征了相应道路状态下的驾驶情况。以一种新颖的方式，我们演示了如何稀疏的个人道路网络的驱动程序结合层次主题模型允许数据驱动的预测目的地以及可能的道路状况。

2018-01-27stat.ML