PathletRL++: 通过强化学习优化轨迹路径提取与词典形成
机器学习
2024-12-06 v1 人工智能
摘要
跟踪技术的快速发展推动了大规模轨迹数据的增长。构建紧凑的路径词典集合对于支持移动相关应用至关重要。现有方法通常采用自上而下的策略，生成大量候选路径并选择子集，导致高内存占用和冗余存储。为克服这些限制，我们提出一种自下而上的策略，逐步合并基本路径以构建词典，通过消除重叠路径，内存需求可降低最高可达24000倍。该方法从单元长度路径开始，迭代合并路径，同时优化效用函数（由轨迹损失和可表示性新引入的指标定义）。我们开发了深度强化学习框架PathletRL，使用深度Q网络（DQN）近似效用函数，构建紧凑高效的路径词典。在合成和真实数据集实验中，我们的方法在性能上优于最新技术，词典规模可降低最高达65.8%。此外，结果表明仅需一半的词典路径即可重建85%的原始轨迹数据。基于PathletRL，我们引入PathletRL++，通过引入更丰富的状态表征和改进的奖励函数，以优化路径合并过程中的决策。这些改进使智能体能更全面地理解环境，构建更高质量的路径词典。PathletRL++在词典规模压缩方面取得了更佳的效果，显著优于PathletRL，同时保持了高水平的轨迹可表示性。
引用
@article{arxiv.2412.03715,
title = {PathletRL++: Optimizing Trajectory Pathlet Extraction and Dictionary Formation via Reinforcement Learning},
author = {Gian Alix and Arian Haghparast and Manos Papagelis},
journal= {arXiv preprint arXiv:2412.03715},
year = {2024}
}