IJCAIApr, 2024

迈向稳健轨迹表示：用因果学习分离环境混淆因素

PDF
TL;DR运用因果学习的轨迹建模框架（TrajCL）通过结构性因果模型（SCM）并基于干预工具（逆向调整理论）消除地理空间和轨迹之间的虚假相关性，提升轨迹分类任务的性能和泛化能力。
trajectory modelingstructural causal modelcausal learninggeospatial contextgeneralization
发现论文，激发创造
  • 基于因果表示的鲁棒自适应运动预测

    从因果表征的角度提出了一种用于解决模式预测中分布偏移脆弱性和知识转移低效性挑战的学习框架，通过不同的损失函数分别处理动态过程中三组潜在变量：不变变量，样式混淆变量和虚假特征。该方法显著优于当前先进的动态模式预测模型。

    Nov, 2021

  • 通过反事实分析进行人类轨迹预测

    探究对策性分析在人类轨迹预测中的应用，并构建因果图分析历史轨迹与未来轨迹以及环境交互之间的关系，并对轨迹进行反事实干预以减轻环境偏差带来的负面影响，从而取得了公共行人轨迹预测基准测试的最佳结果。

    Jul, 2021

  • 学习潜在结构因果模型

    本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

    Oct, 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

  • ControTraj：带有拓扑约束的可控轨迹生成

    通过使用拓扑约束扩散模型的可控轨迹生成框架 ControlTraj，该研究提出了一种生成高度保真轨迹的方法，并整合了道路网络拓扑的结构约束，以指导地理结果。

    Apr, 2024

  • 使用因果和空间约束多任务网络进行人类移动预测

    通过提出计算模型和学习框架，我们提出了一个 Causal and Spatial-constrained Long and Short-term Learner（CSLSL）模型，该模型可以隐式地建模个体的出行决策，并在下一个地点预测中显示出传递不变性及其群体一致性。通过空间约束和多任务学习，该模型引入了时间、活动和位置之间的因果关系来实现准确度的提高。

    Jun, 2022

  • 评估地理空间上下文信息用于交通方式识别

    本文通过使用随机森林模型和 SHAP 的方法，评估了地理空间上下文信息对于交通方式检测的贡献，发现基础设施网络相关的特征显著影响模型预测，而土地利用和地表覆盖特征对于任务的贡献非常有限。此外，该研究为选择适当的上下文信息和建模方法提供了洞见，增强了我们对于运动与地理上下文之间关系的理解。

    May, 2023

  • TrACT: 一种对训练动态敏感的对比学习框架，用于长尾轨迹预测

    自动驾驶的安全性需要准确预测道路用户未来轨迹以进行安全运动规划，在具有挑战性的条件下尤为重要。本文提出了一种在原型对比学习框架中将更丰富的培训动态信息纳入其中的方法，并在两个大规模自然数据集上进行了实证评估，证明了该方法在改善长尾样本准确性和场景符合性方面达到了最先进的性能。

    Apr, 2024

  • 基于上下文无关聚类的可靠、快速、准确的轨迹预测

    提出多阶段概率预测路径的自主系统的新方法，包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议，使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率，从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型，同时当比较最可能的轨迹时与点估计器表现相似。

    Jul, 2023

  • PLM4Traj：使用预训练语言模型识别轨迹的运动模式与旅行目的

    通过利用预训练语言模型（PLM）建立一个名为 PLM4Traj 的模型，该模型能够适应不同任务，有效地提取出嵌入在轨迹中的运动模式和旅行目的，从而解决了原始 PLMs 在建模轨迹时的不足，为轨迹学习提供了通用的解决方案。

    May, 2024