May, 2024

LightTR: 一个轻量级的联邦轨迹恢复框架

PDF
TL;DR基于轻量级的客户端 - 服务器架构，充分利用轨迹数据，提供轨迹恢复和数据隐私保护的轻量级框架，旨在提高城市应用的效能。
trajectory dataurban applicationstrajectory recoverydecentralized trainingcomputational efficiency
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

  • 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

  • 具有投影轨迹正则化的联邦学习

    提出了一种新颖的联邦学习框架（FedPTR），通过采用轨迹正则化来解决分布式学习中数据异质性问题，利用模型训练轨迹中的全局信息进行本地训练规范化，经过理论分析和实验证明其快速收敛并在异质数据分布下具有良好效果。

    Dec, 2023

  • 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

  • 面向多无人机协助边缘计算的个性化联邦深度强化学习轨迹优化

    在 5G 移动通信时代，研究聚焦于无人机和移动边缘计算技术方面出现了显著增长。本研究提出了一种名为个性化联邦深度强化学习（PF-DRL）的新解决方案，用于多无人机轨迹优化。模拟结果表明，该算法具有更快的收敛速度和改善服务质量，优于其他基于深度强化学习的方法。

    Sep, 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

  • GPS 轨迹生成的扩散模型

    本文提出基于扩散模型的轨迹生成框架 Diff-Traj，并通过轨迹 UNet (Traj-UNet) 结构提取轨迹特征，使其能视为高质量的轨迹生成应用程序，并保留原始分布。

    Apr, 2023

  • 从稀疏轨迹估计行程时间和路径

    该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

    Jun, 2022

  • 复杂轨迹恢复的关键感知预训练模型

    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％。

    Nov, 2023

  • 从部分观测推断不确定轨迹

    本研究介绍了一种名为 InferTra 的技术，可以从网络约束的部分观测中推断出不确定的轨迹，该技术采用了基于图形的方法，展示了所有可能的轨迹，并在实验中证明比现有技术更准确，快速且功能更强大。

    Mar, 2016