Nov, 2023

复杂轨迹恢复的关键感知预训练模型

PDF
TL;DR本研究旨在为复杂轨迹提供更强大的轨迹恢复。通过定义基于绕道分数和熵分数的轨迹复杂度，并相应构建复杂感知语义图，我们提出了一种多视图图和复杂感知变压器（MGCAT）模型，以从两个方面在轨迹预训练中编码这些语义信息：1) 考虑轨迹模式自适应地聚合多视图图特征，并且 2) 在复杂轨迹中对关键节点进行更高的关注。我们的 MGCAT 在处理复杂轨迹的关键场景时具有感知性能，通过在大规模数据集上进行的广泛实验证明，我们的方法提供了更好的轨迹恢复表示，整体 F1 得分提高了 5.22％，对于复杂轨迹特别是 F1 得分提高了 8.16％。
发现论文，激发创造
  • RNTrajRec：具有时空变换器的路网增强轨迹恢复

    本文提出了一种基于变压器的道路网络增强轨迹恢复框架 (RNTrajRec)，其中使用 GridGNN 学习每个道路段的嵌入特征，GPSFormer 学习丰富的空间和时间特征以及一个子图生成模块来捕获轨迹中每个 GPS 点的空间特征，在三个大规模真实轨迹数据集上的实验证实了我们方法的有效性。

    Nov, 2022

  • 基于微观 - 宏观时空图形编码器解码器的地图约束轨迹恢复

    通过建模轨迹图并设计新颖的消息传递机制来学习轨迹表示，并将宏观语义进一步结合到图形解码器中，以指导轨迹恢复。对两个真实世界轨迹数据集分别构建的具有三个不同采样间隔的稀疏轨迹进行的大量实验证明了我们提出的模型的优越性。

    Apr, 2024

  • VisionTraj：基于大规模摄像机网络的抗噪轨迹恢复框架

    本文提出了 VisionTraj，一种基于学习的模型，可以从道路网络摄像机记录的快照重建车辆轨迹，并通过引入神经网络和 GCN-based 软去噪模块以及轨迹信息提高建模效果。实验结果显示，VisionTraj 相较于其他模型有最大 11.5％的改进。

    Dec, 2023

  • 道路网络和轨迹上的联合对比表示学习

    本文提出了一个统一的框架，终端联合学习道路网络和路径表示。通过为道路对比和路径对比设计领域特定的增强算法，以及介绍道路 - 路径跨尺度对比来建立两个尺度之间的联系，实现了相互信息的最大化。实验表明，这种方法能够提高道路网络和路径表示的总体性能和效果。

    Sep, 2022

  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • TrTr：一种基于 Transformer 的多功能预训练大型交通模型，用于捕捉车辆群体中的轨迹多样性

    使用 Transformer 技术，通过分析其注意机制并设计特定的预训练任务，可以学习车辆群体内轨迹的多样性，同时预训练模型在捕捉车辆群体的空间分布方面表现出色，并能准确预测时间序列中的轨迹速度。

    Sep, 2023

  • 基于合成驾驶数据的轨迹预测预训练

    在有限的数据可用性下，我们提出了利用高精度地图和轨迹的图表示以及预训练策略相结合的方法来学习通用的轨迹预测表示，进而对轨迹预测模型进行改进，从而在数据扩展和预训练策略方面取得了显著的效果。

    Sep, 2023

  • MA2GCN：基于轨迹数据的交通预测的多邻接关系注意力图卷积网络

    提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络（MA2GCN），通过将车辆轨迹数据转换为以网格形式的图结构化数据，提出了基于不同网格之间的移动性的车辆进出矩阵。同时，为了提高模型性能，还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息，并在上海出租车 GPS 轨迹数据集上表现出最佳性能。

    Jan, 2024

  • 交通中轨迹预测的快速无地图模型

    该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

    Jul, 2023

  • GRANP: 适用于车辆轨迹预测的图形递归注意力神经过程模型

    GRANP 是一种新颖的模型，用于车辆轨迹预测并高效地量化预测不确定性。它采用了利用深度生成模型来解决轨迹不确定性的方法，并在解决了效率问题的同时取得了最先进的结果。

    Apr, 2024