用于解决人体轨迹填补与预测的多级点嵌入方法
机器学习
2023-01-13 v2
摘要
稀疏性是许多轨迹数据集（包括人类移动数据）中的常见问题。该问题常给相关学习任务（如轨迹填补与预测）带来更多困难。目前，同时处理人体轨迹填补与预测的工作甚少。本研究旨在探索填补与预测的学习过程能否相互裨益以取得更好结果。该问题将通过研究不完整轨迹中缺失点与观测点之间的共存模式来回答。更具体地，所提模型基于自注意力机制构建填补组件，以在编码器-解码器层间捕捉观测与缺失点之间的共存模式。同时，集成一个循环单元从新填补的序列中提取序列嵌入以预测下一位置。此外，引入称为填补循环（Imputation Cycle）的新实现，以在多个层级上实现逐步填补并增强预测，有助于加快收敛速度。在三个不同真实世界移动数据集上的实验结果表明，所提方法在准确率和稳定性方面相较于竞争基线在填补与预测任务上均具有显著优势。
引用
@article{arxiv.2301.04482,
title = {Multiple-level Point Embedding for Solving Human Trajectory Imputation with Prediction},
author = {Kyle K. Qin and Yongli Ren and Wei Shao and Brennan Lake and Filippo Privitera and Flora D. Salim},
journal= {arXiv preprint arXiv:2301.04482},
year = {2023}
}
备注
22 pages; accepted by ACM Transactions on Spatial Algorithms and Systems