Feb, 2024

超越路径规划：联合 GPS 和路线建模用于精化轨迹表示学习

PDF
TL;DR通过使用自我监督技术，提出了一种基于联合 GPS 和路线建模的新型表示学习框架 JGRM，该框架考虑了 GPS 轨迹和路线作为单个运动观察的两种模式，并通过跨模态的信息交互来融合信息。通过构建两个编码器来捕捉路线和 GPS 轨迹的表征，并将两种模式的表征输入到共享的 Transformer 进行交互。通过三个自我监督任务来训练模型，实验证明 JGRM 在道路段表示和轨迹表示任务中优于现有方法。
trajectory representation learninggps dataroute modellingself-supervised technologyinter-modal information interaction
发现论文，激发创造
  • 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

  • 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 Transformer 序列到序列模型的城市道路网络中使用 NLP 实现的轨迹映射匹配

    使用基于变压器的编码器 - 解码器模型，将噪声 GPS 数据转化为城市道路网络上的导航路线，大规模地理定位遥测数据对于增强智能城市的移动基础设施和操作系统具有巨大潜力。

    Apr, 2024

  • 可扩展的基于时空运动轨迹的自监督表示学习，用于多模式计算机视觉

    本文介绍了一种自我监督的地理位置表示学习技术，使用无标注的 GPS 轨迹学习地理位置的语义特征并为地理计算机视觉任务提供特征表示，通过将 GPS 轨迹建模为地球表面的一些节点或像素，使用卷积、收缩自编码器学习压缩地理位置的可达性嵌入并取得了显著性能提升。

    Oct, 2022

  • DouFu：双融合联合学习方法用于驾驶轨迹表示

    本文提出一种新的轨迹表示联合学习的多模态融合模型 DouFu，它使用多模态学习和注意力融合模块来捕捉轨迹的内部特征，通过设计运动、路线和全局特征并分别使用注意力编码器或前馈网络，结合路线特征和运动特征创建更好的时空嵌入，最终生成每个轨迹的全面嵌入。实验结果表明，DouFu 在大多数学习算法中优于其他模型超过 10%。

    May, 2022

  • 个体轨迹的联合时空表示学习

    本研究提出了一种空间 - 时间联合表示学习方法 (ST-GraphRL)，用于将可学习的空间 - 时间依赖性编码到轨迹表示中。该方法在预测移动空间 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间 - 时间模式。同时，该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。

    Dec, 2023

  • 低采样率 GPS 轨迹在道路网络中的地图匹配特征工程

    本文介绍了基于条件随机场（CRFs）特征提取的地理空间数据库中 GPS 轨迹地图匹配方法的实验及初步结果。

    Sep, 2014

  • PreTraM: 通过连接轨迹和地图的自监督预训练

    该研究提出了一种基于预训练的深度学习模型 ——PreTraM，通过将轨迹和地图相连接来提高轨迹预测的准确性和数据利用率。PreTraM 比 AgentFormer 和 Trajectron 等基线方法在 nuScenes 数据集的 FDE-10 性能上分别提高了 5.5% 和 6.9%。

    Apr, 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

  • 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