面向复杂轨迹恢复的感知型预训练模型
机器学习
2023-11-07 v1 人工智能
摘要
道路交通中的轨迹通常以低采样率采集，轨迹恢复旨在从稀疏离散的输入中恢复完整连续的轨迹。近来，序列语言模型被创新地以预训练方式用于轨迹恢复：其学习路段表示向量，并用于下游任务。然而，现有方法难以处理复杂轨迹：当轨迹跨越远端路段或多次转弯（我们称之为关键节点）时，所学表示的质量下降，恢复出的轨迹会跳过关键节点。本文致力于为复杂轨迹提供更鲁棒的轨迹恢复。首先，我们基于绕路分数和熵分数定义轨迹复杂度，并相应构建复杂度感知语义图。随后，我们提出多视图图与复杂度感知 Transformer（MGCAT）模型，从两方面在轨迹预训练中编码这些语义：1）考虑轨迹模式自适应聚合多视图图特征；2）对复杂轨迹中的关键节点给予更高注意力。由此，我们的 MGCAT 在处理复杂轨迹的关键场景时具有感知能力。我们在大规模数据集上进行了充分实验。结果证明，我们的方法学到了更好的轨迹恢复表示，总体 F1 分数提升 5.22%，复杂轨迹 F1 分数尤其提升 8.16%。代码见 https://github.com/bonaldli/ComplexTraj。
引用
@article{arxiv.2311.02631,
title = {A Critical Perceptual Pre-trained Model for Complex Trajectory Recovery},
author = {Dedong Li and Ziyue Li and Zhishuai Li and Lei Bai and Qingyuan Gong and Lijun Sun and Wolfgang Ketter and Rui Zhao},
journal= {arXiv preprint arXiv:2311.02631},
year = {2023}
}
备注
Accepted in ACM SIGSPATIAL 2023