预测下一位置数据集中轨迹测试和训练重叠

Mar, 2022

预测下一位置数据集中轨迹测试和训练重叠

Trajectory Test-Train Overlap in Next-Location Prediction Datasets

Massimiliano Luca, Luca Pappalardo, Bruno Lepri, Gianni Barlacchi

TL;DR本文测试了基于深度学习的预测器在公共移动数据集上的泛化能力，发现所有分析数据集中存在严重的轨迹重叠问题，表明预测器能够记忆轨迹但泛化能力有限。因此，本文提出了一种基于空间移动模式重新排名的方法，在不能记忆的轨迹上提高了预测器的准确性相对改进高达 96.15％。

Abstract

next-location prediction, consisting of forecasting a user's location given their historical trajectories, has important implications in several fields, such as urban planning, geo-marketing, and disease spreading. Several predictors have been proposed in the last few years to address

next-location prediction deep learning generalization capability trajectory overlapping spatial mobility patterns

发现论文，激发创造

城市级出行数字孪生在线轨迹预测

本研究提出了一种基于数字孪生的人类移动预测方法，将粗粒度预测与细粒度预测分为两个阶段，通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。

Jun, 2022

拥挤空间中基于社交及场景感知的轨迹预测

基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

Sep, 2019

上下文感知轨迹预测

本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型，用于人类在拥挤空间中运动和行为的预测。实验结果表明，该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。

May, 2017

利用具有空间感知的深度关注模型进行人类轨迹预测

提出了一种端到端的基于深度学习的模型，该模型使用来自不同导航模式的数据直接学习人类的运动模式，包括一个软关注机制和一种新颖的方法来预测动态轨迹，同时还考虑了场景中的静态物体存在，通过在行人轨迹数据集上的测试结果显示，可以显著优于现有的最新技术水平，也可以自然地扩展到同时处理多个移动模式。

May, 2017

基于循环神经网络的占据栅格地图上的概率车辆轨迹预测

本文提出了一种基于递归神经网络的高效车辆轨迹预测框架，从大量的轨迹数据中学习车辆的复杂行为模式，并使用长短时记忆递归神经网络分析车辆时间行为，预测未来坐标并产生对覆盖栅格地图上车辆未来位置的概率信息，实验结果表明该方法可以合理地估计未来轨迹。

Apr, 2017

人类移动可预测性极限的替代方法

研究了使用 GPS 追踪数据进行下一地点预测的算法，提出了一个独立于时间尺度的自然长度尺度，并表明相比下一时间段位置预测，这种方法可以显著降低对下一地点的预测可靠性。

Aug, 2016

基于知识感知的图形转换器用于行人轨迹预测

该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

Jan, 2024

MobilityDL：基于轨迹数据的深度学习综述

对轨迹数据的深度学习方法进行了综合概述，并通过对移动性数据的数据中心分析，从 2018 年以来的文献进行了全面的定量回顾，探讨了八个特定的移动性应用案例及其训练数据的使用。

Feb, 2024

基于时序图神经网络的交互感知个性化车辆轨迹预测

利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

Aug, 2023

通过潜在走廊进行自适应人类轨迹预测

使用可学习的图像提示将预训练的人体轨迹预测器的输入增强，从而使预测器能够从极少量的新数据中推断出部署场景的趋势，从而解决特定场景下的人体轨迹预测问题。

Dec, 2023