A Hybrid Approach for Trajectory Control Design
Sapienza University of Rome(罗马第一大学)
本文提出了一种设计轨迹跟踪反馈控制律的方法,它嵌入了非参数统计模型,如高斯过程(GP)。其目的是尽量减少未建模的动态,如不希望的滑移。所提出的方法具有避免复杂的terramechanics分析的好处,直接估计从数据的机器人动力学的广泛的一类轨迹。在真实和模拟环境中的实验证明,所提出的方法是有前途的。
2022-11-19 cs.LG cs.RO stat.ML
Adversarially Learned Abnormal Trajectory Classifier
Polytechnique Montréal(蒙特利尔高等理工学院)
我们解决的问题异常事件检测轨迹数据。在本文中,提出了一种新的对抗性方法,用于构建一个深度神经网络二元分类器,以无监督的方式训练,可以区分正常和异常的基于概率的事件,而无需设置手动检测阈值。受生成对抗网络(GAN)框架的启发,我们的GAN版本是一个有区别的版本,其中训练了神经网络来区分由深度自动编码器给出的正常和异常轨迹重建错误。与城市交通视频及其相关的轨迹,我们提出的方法给出了最好的准确性异常轨迹检测。此外,我们的模型可以很容易地推广到基于异常概率的事件检测,并且仍然可以产生最好的行为检测结果,如CAVIAR数据集所示。
2019-04-03 cs.LG stat.ML
More Than Routing: Joint GPS and Route Modeling for Refine Trajectory Representation Learning
Southwest Jiaotong University(西南交通大学);Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院);McGill University(麦吉尔大学);Baidu Inc.(百度公司);JD iCity, JD Technology(京东科技京东智城);JD Intelligent Cities Research(京东智慧城研究院)
本文提出JGRM框架,通过自监督学习联合建模GPS轨迹与路线两种模态,利用双编码器和共享transformer实现模态间信息交互,并在道路段与轨迹表示任务上取得优于现有方法的效果。
2024-02-25 cs.AI cs.LG
RNTrajRec: Road Network Enhanced Trajectory Recovery with Spatial-Temporal Transformer
Fudan University(复旦大学);Shanghai Institute of Intelligent Electronics & Systems(上海智能电子与系统研究院);Singapore Management University(新加坡管理大学)
GPS轨迹是行程时间估计、交通量预测、轨迹相似性度量等基于概率的应用的基础。大多数应用需要大量的高采样率轨迹来实现良好的性能。然而,许多现实生活中的轨迹收集低采样率由于能源的关注或其他限制,我们研究的任务轨迹恢复在本文中作为一种手段,提高采样率的低样本轨迹。目前,大多数关于轨迹恢复的现有工作遵循序列到序列图,其中编码器用于对轨迹进行编码,解码器用于恢复轨迹中的真实GPS点。然而,这些工作忽略了道路网络的拓扑结构,仅使用网格信息或原始GPS点作为输入。因此,编码器模型不能捕获轨迹沿线GPS点的丰富空间信息,使得预测不太准确并且缺乏空间一致性。在本文中,我们提出了一个道路网络增强的变压器为基础的框架,即RNTrajRec,轨迹恢复。RNTrajRec首先使用图模型,即GridGNN,来学习每个路段的嵌入特征。接下来,它开发了一个时空Transformer模型,即GPSFormer,以学习丰富的空间和时间特征,以及子图生成模块,以捕获轨迹中每个GPS点的空间特征。最后将编码器模型的输出转发到多任务解码器模型中,以恢复丢失的GPS点。基于三个大规模真实轨迹数据集的大量实验证实了我们方法的有效性。
2022-11-28 cs.AI cs.LG
TrajectoryNet: An Embedded GPS Trajectory Representation for Point-based Classification Using Recurrent Neural Networks
Dalhousie University(达尔豪斯大学);Acadia University(阿卡迪亚大学);Polish Academy of Sciences(波兰科学院)
从GPS(全球定位系统)人类活动的痕迹中理解和发现知识是基于移动性的城市计算的一个重要课题。我们提出了TrajectoryNet-一个神经网络架构,用于基于点的轨迹分类,以推断现实世界中的人类交通方式从GPS轨迹。为了克服捕获GPS数据所施加的低维和异构特征空间中的潜在因素的挑战,我们开发了一种新的表示方法,该方法将原始特征空间嵌入到另一个空间中,该空间可以被理解为一种基础扩展形式。我们还通过基于片段的信息丰富了特征空间,并使用Maxout激活来提高循环神经网络(RNN)的预测能力。在检测四种类型的交通模式时,我们实现了超过98%的分类准确率,在没有额外的传感数据或基于位置的先验知识的情况下,优于现有的模型。
2017-08-30 cs.AI cs.CV cs.LG
Compression of GPS Trajectories using Autoencoders
Institute of Informatics, LMU Munich(慕尼黑大学信息学研究所)
能够进行位置跟踪的移动设备无处不在,导致GPS数据收集量大幅增加。已经开发了几种压缩方法,以便在保持重要信息的同时减少所需的存储量。在本文中,我们提出了一种基于lstm自动编码器的方法,以压缩和重建GPS轨迹,这是在游戏和现实世界的数据集上进行评估。我们考虑不同的压缩比和轨迹长度。将该性能与其他轨迹压缩算法进行比较,即,道格拉斯-普克总的来说,结果表明,我们的方法优于道格拉斯Peucker显着离散Fréchet距离和动态时间弯曲。此外,通过重建每个点有损,所提出的方法提供了多个优点,比传统的方法。
2023-01-18 cs.AI cs.LG
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。
2014-09-02 cs.AI cs.LG stat.ML
Learning Spatio-Temporal Dynamics for Trajectory Recovery via Time-Aware Transformer
School of Computer Science, Fudan University(复旦大学计算机科学学院);Shanghai Key Laboratory of Data Science, Fudan University(复旦大学数据科学重点实验室);Shanghai Institute of Intelligent Electronics & Systems(上海智能电子与系统研究所);School of Computing and Information Systems, Singapore Management University(新加坡国立大学计算与信息系统学院)
针对GPS轨迹稀疏不规则难以直接应用的问题,提出TedTrajRec方法,通过PD-GNN捕捉交通时空动力学、TedFormer处理轨迹时空动力学,在三个真实数据集上实现了更优的地图约束轨迹恢复效果。
2025-05-20 cs.AI cs.LG
An open GPS trajectory dataset and benchmark for travel mode detection
The University of Tokyo(东京大学);Southern University of Science and Technology(南方科技大学)
出行方式检测一直是GPS导航相关处理领域的研究热点。为了提高检测的准确性,前人已经发展了许多数学方法。在这些研究中,几乎所有的方法都需要地面真实数据集进行训练。大量的研究选择收集GPS轨迹数据集,通过他们定制的方式进行训练。目前,没有开放的GPS数据集标记为旅行模式。如果存在的话,它不仅可以节省大量的工作,在模型开发,而且有助于比较模型的性能。在本研究中,我们提出并开放了标记有出行模式的GPS轨迹数据集和出行模式检测基准。该数据集由日本的7名独立志愿者收集,涵盖了一个完整的月。出行方式从步行到铁路。一部分套路在不同的时间段重复旅行,体验不同的路况和旅行条件。我们还提供了一个案例研究,以区分步行和自行车旅行在一个庞大的GPS轨迹数据集。
2021-09-28 cs.DB cs.LG
GPS-MTM: Capturing Pattern of Normalcy in GPS-Trajectories with self-supervised learning
ECE Department(电子工程系);University of California(加州大学)
GPS-MTM是一种基于双向Transformer和自监督掩码建模的轨迹基础模型,将移动分解为状态和动作两种模态,在多个基准数据集上优于现有方法,尤其擅长动态任务中的上下文推理。
2025-10-08 cs.AI cs.CV cs.LG
Enhancing Interactive Voting-Based Map Matching: Improving Efficiency and Robustness for Heterogeneous GPS Trajectories
Cuebiq Group, LLC(Cuebiq集团);MOX Laboratory(MOX实验室);Department of Mathematics, Politecnico di Milano(米兰理工学院数学系)
本文提出增强版的Interactive Voting-Based Map Matching算法,通过集成轨迹插补、距离受限投票策略及OpenStreetMap定制资产,提升了异构GPS轨迹匹配的效率、鲁棒性和普适性。
2025-08-15 cs.LG
Clustering and Analysis of GPS Trajectory Data using Distance-based Features
Singapore University of Technology and Design (SUTD)(新加坡科技设计大学)
智能手机的普及大大增加了可用移动数据的类型和数量,从而加速了移动研究。移动数据的一个这样的来源是来自全球定位系统技术,这是越来越普遍,并帮助研究界了解人们的移动模式。然而,缺乏标准化框架来使用机器学习方法研究工作日和非工作日的工作和非工作用户的非工作、非家庭位置所创建的不同移动模式。我们提出了一个新的移动性度量,每日特征距离,并使用它来生成功能,为每个用户与源-目的地矩阵功能。然后,我们使用这些功能与无监督机器学习方法,$k$均值聚类,并获得三个集群的用户为每种类型的一天(工作日和休息日)。最后,我们提出了两个新的指标,即用户共性和平均频率的聚类结果的分析。通过使用所提出的指标,有趣的用户行为,可以看出,它有助于我们更好地了解用户的移动模式。
2022-12-01 cs.LG
Detecting Transportation Mode Using Dense Smartphone GPS Trajectories and Transformer Models
University of California San Diego(加州大学圣地亚哥分校);McGill University(麦吉尔大学);Mila - Quebec AI Institute(魁北克人工智能研究所);University of Pennsylvania(宾夕法尼亚大学);Duke Kunshan University(杜克昆山大学)
本文提出SpeedTransformer模型,利用速度输入从密集GPS轨迹中检测交通模式,实验表明其优于传统深度学习模型,并在不同地理区域表现出良好的迁移学习能力。
2026-03-18 cs.LG
Learning Navigation by Visual Localization and Trajectory Prediction
Institute of Mathematics of the Romanian Academy(罗马尼亚科学院数学研究所);Faculty of Automatic Control and Computers, University Politehnica of Bucharest(布加勒斯特理工大学自动控制与计算机学院)
在驾驶时,人们根据当前的交通状况以及他们想要的路线做出决定。他们有一张已知路线的心理地图,并且通常能够在不需要指示的情况下导航。目前的自动驾驶模型在使用额外的GPS信息时提高了性能。在这里,我们的目标是推进自动驾驶研究,即使在没有GPS的情况下也能进行路线规划。我们的系统学习实时预测车辆的当前位置和未来轨迹,作为时间的函数,在已知的地图上,仅给出原始视频流和预定目的地。GPS信号仅在训练时可用,训练数据注释是全自动的。与其他已发表的模型不同,我们预测车辆的轨迹长达7秒,从整个时间跨度可以得出完整的转向,速度和加速度信息。轨迹在多个层面上捕获导航信息,从取决于当前交通和前方障碍物的即时转向命令,到朝向特定目的地的长期导航决策。我们使用普通汽车和记录视频和GPS流的智能手机收集数据集。GPS数据用于导出地面实况监督标签,并创建遍历地图的分析表示。在测试中,我们的系统在视觉定位和转向方面优于已发表的方法,并在任何两个已知位置之间提供准确的导航帮助。
2019-10-07 cs.CV cs.LG cs.RO
Multi-task Recurrent Neural Networks to Simultaneously Infer Mode and Purpose in GPS Trajectories
Ryerson University(瑞尔森大学);University of Leeds(利兹大学);Concordia University(康考迪亚大学)
多任务学习被认为是一种强大的推理方法,特别是当多个任务之间存在相当大的相关性时,在一个独特的框架中预测它们可以增强预测结果。本研究通过开发几个单任务模型来挑战这一假设,将其结果与多任务学习者进行比较,以从基于智能手机的旅行调查收集的智能手机旅行调查数据中推断旅行模式和目的。GPS轨迹数据以及社会人口统计学和目的地相关特征被馈送到多输入神经网络框架中以预测两个输出:模式和目的。我们部署了循环神经网络(RNN),它由连续的GPS轨迹提供。为了处理社会人口统计和目的地相关特征,在多输入多输出框架中,与RNN层并行使用具有不同嵌入层和密集层的另一个神经网络。结果进行了比较,对单任务的学习者,分类模式和目的独立。我们还研究了不同的RNN方法,如长短期记忆(LSTM),门控递归单元(GRU)和双向门控递归单元(Bi-GRU)。最好的多任务学习者是能够对模式和目的进行分类的Bi-GRU模型,其F1测量值为84.33%和78.28%,而推断运输方式的最好的单任务学习者是GRU模型,其F1测量值为86.50%,最好的单任务Bi-GRU目的检测模型达到F1测量值为77.38%。虽然有一个假设,多任务的学习者比单任务的性能更高,本研究的结果并不持有这样的假设,并显示,在从GPS轨迹数据的模式和旅行目的推断的背景下,多任务的学习方法并没有带来任何相当大的优势比单任务的学习者。
2021-10-23 cs.LG
A Scalable Framework for Trajectory Prediction
The University of Melbourne(墨尔本大学);Purdue University(普渡大学);Deakin University(迪肯大学)
在智能交通系统中,轨迹预测在基于位置的广告、路径规划、交通管理和预警系统等方面有着广泛的应用。在过去的几年中,GPS导航系统和无线通信技术使车辆的广泛使用产生了大量的轨迹数据。利用这些数据,采用时空技术的轨迹预测在一个有效的和准确的方式是一个正在进行的研究问题。现有的TP方法仅限于短期预测。此外,它们无法处理大量的轨迹数据进行长期预测。为了解决这些限制,我们提出了一个可扩展的聚类和马尔可夫链为基础的混合框架,称为Traj-clusiVAT-based TP,短期和长期的轨迹预测,它可以处理大量的重叠轨迹在密集的道路网络。Traj-clusiVAT还可以确定聚类的数量,这些聚类表示输入轨迹数据中的不同运动行为。在我们的实验中,我们比较我们提出的方法与混合马尔可夫模型(MMM)为基础的计划,和轨迹聚类,基于NETSCAN的TP方法的短期和长期轨迹预测。我们在两个真实的车辆轨迹数据集上进行了实验,其中包括一个大型轨迹数据集,该数据集由新加坡15,061辆出租车在一个月内获得的328万条轨迹组成。两个真实轨迹数据集上的实验结果表明,我们提出的方法优于现有的方法在短期和长期的预测性能,预测精度和距离误差(公里)的基础上。
2019-02-27 cs.AI cs.LG
TrajTok: Adaptive Spatial Tokenization for Trajectory Representation Learning
University of Southern California(南加州大学)
本文提出TrajTok,一种通过自适应空间令牌化学习通用轨迹表示的方法,通过多分辨率六边形网格划分和预训练策略,实现了在轨迹相似性搜索、分类、预计到达时间和旅行时间回归等任务上的优异表现。
2026-05-19 cs.LG
Risk-Informed Diffusion Transformer for Long-Tail Trajectory Prediction in the Crash Scenario
Southeast University(东南大学);Monash University(莫纳什大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对自动驾驶轨迹预测中的长尾问题,提出风险知情扩散Transformer(RI-DiT)方法,整合基于图的风险信息、ITTC和交通流特征,在真实碰撞场景中更准确地预测长尾轨迹并提升系统安全性。
2025-05-28 cs.AI cs.LG
Restoring Super-High Resolution GPS Mobility Data
Osaka University(大阪大学);Tanta University, Egypt(坦塔大学,埃及)
本文提出了一种新型系统,用于从截断或合成的低分辨率输入中重建高分辨率GPS轨迹数据,平衡数据效用与隐私保护。系统结合了基于Transformer的编码器-解码器模型与图卷积网络,有效捕捉轨迹数据的时间依赖性和道路网络的空间关系。
2024-10-01 cs.LG eess.SP
Micro-Macro Spatial-Temporal Graph-based Encoder-Decoder for Map-Constrained Trajectory Recovery
School of Computer and Information Technology, Beijing Jiaotong University(北京交通大学计算机与信息技术学院);Beijing Key Laboratory of Traffic Data Analysis and Mining(北京市交通数据分析与挖掘重点实验室)
本文提出MM-STGED模型,将轨迹建模为图以捕捉微观语义,并融合宏观语义指导解码,实现地图约束下的稀疏轨迹恢复。
2024-04-29 cs.LG
LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
基于位置的服务的流行促成了个人层面轨迹数据的爆炸式增长,也引发了公众对隐私问题的担忧。在这项研究中,我们提出了一种新的LSTM-TrajGAN方法,这是一种端到端的深度学习模型,用于生成隐私保护的合成轨迹数据,用于数据共享和发布。我们设计了一个损失度量函数TrajLoss来衡量模型训练和优化的轨迹相似性损失。该模型在真实世界的语义轨迹数据集上的自动用户链接任务上进行评估。与其他常见的地理掩蔽方法相比,我们的模型可以更好地防止用户被重新识别,它也保留了必要的空间,时间和主题的真实轨迹数据的特征。该模型更好地平衡了轨迹隐私保护的有效性和空间和时间分析的效用,为GeoAI驱动的隐私保护提供了新的见解。
2020-06-14 cs.AI cs.CR cs.LG
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。
2023-09-20 cs.AI cs.CR cs.LG
Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories
针对稀疏GPS轨迹和标签稀缺下的异常停靠检测,提出稀疏感知分割、局部时间指标调整、标签传播与GCN及自训练相结合的半监督方法,在真实数据上以10个标记样本实现AUC 0.854和AP 0.866。
2025-10-14 cs.LG
Data Driven Aircraft Trajectory Prediction with Deep Imitation Learning
University of Piraeus(比雷埃夫斯大学)
目前世界各地的空中交通管理系统在可预测性、效率和成本效益方面已经达到极限。世界范围内的不同倡议提出了以自动化为导向的转型,需要高保真的飞机轨迹规划和预测能力,有效地支持轨迹生存周期的所有阶段。最近提出的数据驱动的轨迹预测方法提供了有前途的结果。在本文中,我们将数据驱动的轨迹预测问题作为一个模仿学习任务,我们的目标是模仿专家“塑造”的轨迹。为了实现这一目标,我们提出了一个全面的框架,包括生成对抗模仿学习最先进的方法,在一个管道与轨迹聚类和分类方法。与其他方法相比,与现有技术的方法相比,该方法可以在战术前(即,在特定时刻在出发机场开始)和战术(即,从飞行时的任何状态)阶段提供对整个轨迹的准确预测(即,具有直到到达目的地的预测范围)。
2020-05-16 cs.AI cs.LG stat.ML
Auto-encoding GPS data to reveal individual and collective behaviour
Université Paris-Saclay(巴黎萨克雷大学);Agroparistech(巴黎高等农业与食品工业学院);INRAE(法国国家农业、食品与环境研究院);Marbec(海洋生物多样性、开发与保护研究所);Univ Montpellier(蒙彼利埃大学);CNRS(法国国家科学研究中心);Ifremer(法国海洋开发研究院);IRD(法国发展研究院);Université Bretagne Sud(南布列塔尼大学)
本文提出一种基于条件变分自动编码器和Bhattacharyya系数的通用轨迹分析方法,通过低维潜在表示和多重网络随机块模型,揭示法国渔船2014-2018年的个体与集体行为时空模式。
2023-12-01 cs.LG cs.SI stat.AP
Blurred Encoding for Trajectory Representation Learning
University of Electronic Science and Technology of China(电子科技大学);National University of Singapore(新加坡国立大学);LocationMind Inc.(LocationMind公司)
针对现有轨迹表示学习丢失细粒度时空细节的问题,提出多级别分层补丁的模糊编码方法BLUE,通过金字塔结构编码器-解码器互补不同级别信息,在下游任务中比最佳基线平均提升30.90%准确率。
2025-11-12 cs.LG
TrajAgent: An LLM-Agent Framework for Trajectory Modeling via Large-and-Small Model Collaboration
Department of Electronic Engineering, BRNist, Tsinghua University, Beijing, China(电子工程系,北京理工大学,清华大学,北京)
针对轨迹建模中数据异质、任务多样导致建模困难的问题,本文提出大语言模型驱动的TrajAgent框架,通过统一环境、智能体工作流及大小模型协作学习实现自动建模,在多数据集多任务上性能显著优于基线。
2025-10-28 cs.AI cs.CL cs.LG
Consistency Trajectory Planning: High-Quality and Efficient Trajectory Optimization for Offline Model-Based Reinforcement Learning
Department of Information and Communication Engineering(信息与通信工程系);The University of Tokyo(东京大学);NEC Corporation(日本电装公司)
本文提出离线强化学习方法 CTP,利用 CTM 实现高效的单步轨迹生成,在 D4RL 基准上以超 120 倍推理加速达到可比性能,解决了扩散模型规划计算成本高的问题。
2025-07-13 cs.AI cs.LG cs.RO
Secure Navigation using Landmark-based Localization in a GPS-denied Environment
Missouri University of Science and Technology(密苏里科技大学)
本文提出将基于地标的定位(LanBLoc)与扩展卡尔曼滤波器(EKF)结合,利用安全轨迹和凸包点包含测试实现GPS拒止环境下的安全导航,实验显示纵向误差为6.51%、ADE为2.97米、FDE为3.27米。
2024-02-22 cs.CV cs.LG cs.RO
UVTM: Universal Vehicle Trajectory Modeling with ST Feature Domain Generation
Aalborg University(奥尔堡大学);Beijing Jiaotong University(北京交通大学)
本文提出通用车辆轨迹模型 UVTM,通过三个可独立掩码生成的 ST 特征域及由稀疏不完整轨迹重建稠密完整轨迹的预训练方法,提升多任务与缺失特征场景下的轨迹建模能力。
2025-05-13 cs.LG
eFedDNN: Ensemble based Federated Deep Neural Networks for Trajectory Mode Inference
Toronto Metropolitan University(多伦多都会大学);Royal Military College(皇家军事学院)
作为智能移动系统中最重要的数据源,GPS轨迹可以帮助识别用户的出行模式。然而,这些GPS数据集可能包含用户的私人信息(例如,家庭位置),防止许多用户与第三方共享他们的私人信息。因此,在保护用户隐私的同时识别出行模式是一个重要的问题。为了应对这一挑战,我们使用了联邦学习(FL),这是一种隐私保护的机器学习技术,旨在通过访问用户的本地训练模型而不是原始数据来协同训练一个健壮的全局模型。具体来说,我们设计了一种新的基于集成的联邦深度神经网络(eFedDNN)。集成方法结合了用户通过FL学习的不同模型的输出,并显示出超越文献中报道的可比模型的准确性。在蒙特利尔真实世界开放获取数据集上进行的广泛实验研究表明,所提出的推理模型可以在不影响隐私的情况下准确识别用户的旅行模式。
2022-05-11 cs.LG
GeoPTH: A Lightweight Approach to Category-Based Trajectory Retrieval via Geometric Prototype Trajectory Hashing
GeoPTH通过几何原型轨迹哈希实现高效的类别轨迹检索,提供高精度和计算效率的轻量方法。
2025-11-21 cs.LG
Learning to Route with Sparse Trajectory Sets---Extended Version
Aalborg University(奥尔堡大学)
由于车辆轨迹数据的可用性越来越高,我们提出了学习路线,一个全面的基于概率的路由解决方案。具体来说,我们首先从轨迹构建一个图形结构作为路由基础设施。其次,我们启用基于冗余的路由给定任意(源,目的地)对。在第一步中,给定一个道路网络和一组轨迹,我们提出了一个基于概率的聚类方法,确定道路网络中的区域。如果一对区域由轨迹连接,我们将维护这些轨迹使用的路径,并学习区域之间旅行的路由偏好。由于轨迹是倾斜和稀疏的,许多区域对不通过轨迹连接。因此,我们将路由偏好从具有足够轨迹的区域对转移到这样的区域对,然后使用转移的偏好来识别区域之间的路径。在第二步中,我们利用上面的图形结构来实现一个全面的基于冗余的路由解决方案。两个大量的轨迹数据集的实证研究提供了深入了解所提出的解决方案,表明它是实用的。与领先的路由服务的比较提供了证据,该文件的建议是能够提高路由质量。这是“学习稀疏轨迹集路由”的扩展版本[1],将出现在IEEE ICDE 2018中。
2018-02-22 cs.LG
FlashMotion: Few-Step Controllable Video Generation with Trajectory Guidance
FlashMotion通过轨迹引导和蒸馏方法实现了少步可控视频生成,提升了视频质量和轨迹准确性。
2026-03-12 cs.AI cs.CV cs.LG
Deep Learning based Urban Vehicle Trajectory Analytics
Korea Advanced Institute of Science and Technology(韩国科学技术院)
“轨迹”是指一个移动物体在地理空间中产生的轨迹,通常由一系列按时间顺序排列的点表示,其中每个点由一组地理空间坐标和一个时间戳组成。位置传感和无线通信技术的快速发展使我们能够收集和存储大量的轨迹数据。因此,许多研究人员使用轨迹数据来分析各种移动对象的移动性。在本论文中,我们专注于“城市车辆轨迹”,这是指车辆在城市交通网络中的轨迹,我们专注于“城市车辆轨迹分析。城市车辆轨迹分析为了解城市交通网络中的车辆运动模式提供了前所未有的机会,包括以用户为中心的出行体验和系统范围的时空模式。城市车辆轨迹数据的时空特征在结构上是相互关联的,因此,许多先前的研究者使用各种方法来理解这种结构。特别是深度学习模型,由于其强大的函数逼近和特征表示能力,越来越受到研究者的关注。因此,本论文的目标是开发基于深度学习的城市车辆轨迹分析模型,以更好地了解城市交通网络的移动模式。本文重点研究了两个具有很强必要性、重要性和实用性的研究课题:下一个目标位置预测和综合弹道生成。在这项研究中,我们提出了各种新的模型,城市车辆轨迹分析使用深度学习。
2021-11-15 cs.LG
Transportation Modes Classification Using Feature Engineering
Dalhousie University(达尔豪斯大学)
从GPS(全球定位系统)记录中预测交通模式是轨迹挖掘领域的一个热点问题。每个GPS记录被称为轨迹点,轨迹是这些点的序列。轨迹挖掘的应用包括但不限于交通模式检测、旅游、交通拥堵、智能城市管理、动物行为分析、环境保护和交通动力学。交通方式预测作为人类移动和车辆移动应用的任务之一,在资源分配、交通管理系统、旅游规划和事故检测等方面具有重要作用。在这项工作中,Etemad等人提出的框架扩展到考虑运输模式预测任务的其他方面。研究了包装搜索和信息检索方法,以寻找最佳的轨迹特征子集。找到最佳分类器和最佳特征子集,将该框架与应用深度学习方法的两篇相关论文进行比较。结果表明,我们的框架取得了更好的性能。此外,地面真实噪声去除提高了运输模式预测任务的准确性;然而,在预处理任务中访问测试集标签的假设是无效的。此外,交叉验证方法进行了研究,性能结果表明,随机交叉验证方法提供了乐观的结果。
2018-07-28 cs.LG stat.ML
Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking
针对现有行人轨迹预测数据集与方法忽略现实中轨迹缺失的问题,本研究构建了含均匀分布缺失坐标的TrajImpute数据集,测试了多种插补方法并基准测试了预测模型在插补轨迹上的性能,为相关研究提供基础资源。
2024-10-31 cs.CV cs.LG cs.RO
Pattern Ensembling for Spatial Trajectory Reconstruction
New York University(纽约大学);Lockheed Martin Corporation(洛克希德·马丁公司)
数字传感为评估和理解移动性提供了前所未有的机会。然而,地理定位数据的不完整性,缺失信息,可能的不准确性和时间异质性可能会破坏其适用性。由于移动模式经常重复,我们提出了一种方法,使用类似的轨迹模式从本地附近和概率合奏他们鲁棒重建丢失或不可靠的观察。我们评估所提出的方法相比,传统的功能轨迹插值使用的情况下,由自动识别系统(AIS)提供的海上船舶轨迹数据。通过有效地利用现实世界中的轨迹的相似性,我们的模式集成方法有助于重建丢失的轨迹段的延长长度和复杂的几何形状。它可以用于定位移动对象时,暂时未观察到的,以及创建一个均匀采样的轨迹插值有用的进一步的轨迹挖掘。
2021-01-25 cs.LG physics.data-an stat.ML
Mobility Inference on Long-Tailed Sparse Trajectory
Beihang University(北京航空航天大学)
分析城市中的城市轨迹已成为数据采掘的一个重要课题。我们如何从原始轨迹数据中建模由停留和旅行组成的人类移动性?我们如何从单一轨迹信息推断出这样的移动模型?我们如何进一步推广移动性推断,以适应随着时间的推移稀疏采样的真实世界轨迹数据?在本文中,基于正式和严格的定义的停留/旅行的流动性,我们提出了一个单一的轨迹推理算法,利用一个通用的长尾稀疏模式的大规模轨迹数据。该算法保证了停留/旅行推理的100%的精度与可证明的召回下限。此外,我们引入了一个编码器-解码器学习架构,承认多个轨迹作为输入。通过自定义的嵌入和学习机制,该架构针对移动性推理问题进行了优化。对4000万城市用户的三个轨迹数据集的评估验证了所提出的推理算法的性能保证,并证明了我们的深度学习模型与众所周知的序列学习方法相比的优越性。在极稀疏的轨迹上,深度学习模型通过对大规模通用训练数据的经验证的可扩展性和可推广性,实现了比单轨迹推理算法高2 $\times$的总体准确性。
2020-01-21 cs.LG cs.SI stat.ML
TSMini: A Simple Yet Highly Effective Trajectory Similarity Learning Model
The University of Melbourne(墨尔本大学);National University of Singapore(新加坡国立大学);Aalborg University(奥胡斯大学)
针对轨迹相似度近似精度不足的问题,提出带子视图建模机制和k近邻损失的TSMini模型,其性能平均优于现有最先进模型15%
2026-09-09 cs.CV cs.DB cs.LG