动态运动预测中隐藏上下文的利用：从循环神经网络到图神经网络及通用 Transformer 的神经网络探索之旅
机器学习
2026-05-15 v1 人工智能
信号处理
摘要
信号处理管线中的预测对于缓解延迟至关重要，尤其是在预测 NBA 球员等物体的动态运动时。由于体育运动本质上具有交互性和不可预测性，速度和方向的突变频繁发生，这给该任务带来了重大挑战。包括 (S)ARIMA(X)、卡尔曼滤波器 (KF) 和粒子滤波器 (PF) 在内的传统方法，通常难以对这类场景中存在的非线性动力学进行建模。长短期记忆 (LSTM) 网络、图神经网络 (GNN) 和 Transformer 等机器学习 (ML) 方法提供了更高的灵活性和准确性，但往往无法显式捕捉时间依赖性与上下文交互之间的相互作用，而这些在混乱的体育环境中是至关重要的。在本文中，我们评估了这些模型并考察了它们的优缺点。实验结果揭示了在输入历史长度、泛化能力以及融入上下文信息能力方面的关键性能权衡。在长达 2s 的预测时间跨度内，基于 ML 的方法相比线性模型展现出显著提升。在测试的架构中，我们融合了上下文信息的混合 LSTM 实现了 1.51m 的最低最终位移误差 (FDE)，优于时间卷积神经网络 (TCNN)、图注意力网络 (GAT) 和 Transformer，同时与 GAT 和 Transformer 相比所需的数据和训练时间更少。我们的研究结果表明，没有单一架构能在所有指标上表现最优，这强调了在 NBA 比赛等快节奏、动态环境的轨迹预测中需要针对特定任务进行考量。
引用
@article{arxiv.2605.14855,
title = {Exploitation of Hidden Context in Dynamic Movement Forecasting: A Neural Network Journey from Recurrent to Graph Neural Networks and General Purpose Transformers},
author = {Lukas Schelenz and Shobha Rajanna and Denis Gosalci and Lucas Heublein and Jonas Pirkl and Jonathan Ott and Felix Ott and Christopher Mutschler and Tobias Feigl},
journal= {arXiv preprint arXiv:2605.14855},
year = {2026}
}
备注
12 pages