Apr, 2024

VeTraSS: 通过图建模和表示学习进行车辆轨迹相似性搜索

PDF
TL;DRVeTraSS 是一个用于车辆轨迹相似性搜索的端到端流水线，通过将原始轨迹数据建模成多尺度图，并使用一种新颖的多层注意力机制的 GNN 生成全面的嵌入，从而可用于搜索相似的车辆轨迹，表现出优于现有工作并达到最新技术水平的效果，展示了 VeTraSS 在现实世界中用于轨迹分析和自动驾驶车辆安全导航的潜力。
trajectory similarity searchautonomous drivinggraph neural networksvetrassvehicle trajectories
发现论文，激发创造
  • 重访用于轨迹相似度学习的 CNNs

    对于轨迹数据的相似性搜索，本文提出使用 ConvTraj 模型，结合 1D 和 2D 卷积分别捕捉序列和地理分布特征，实现了高性能的轨迹相似性搜索，并在实验中展示了其在大规模数据集上的效果。

    May, 2024

  • 交通场景相似度：基于图形对比学习的方法

    通过使用图形来构建一个有意义的嵌入空间，我们的方法展示了场景的连续映射以及基于嵌入结果形成主题相似群集，从而在后续测试过程中识别相似场景，从而减少冗余测试运行。

    Sep, 2023

  • 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

  • 可迁移的 GNN 自适应轨迹预测

    提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。

    Mar, 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

  • 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

  • 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

  • 用于学习图结构对象相似性的图匹配网络

    本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

    Apr, 2019

  • 基于相似性测度的通用图嵌入

    本文提出了一种可将网络信息嵌入到低维向量空间中进行链接预测、分类和可视化等任务的方法，该方法意在通过对选定的点对点相似度测量分布进行显式标定的图嵌入，其可通过训练单层神经网络得到，试验表明本方法在相似度测量方面表现出色，时间和空间效率更高。

    Mar, 2018

  • 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