RNTrajRec：基于空间-时间 Transformer 的路网增强轨迹恢复
机器学习
2022-11-29 v2 人工智能
摘要
GPS 轨迹是许多基于轨迹的应用（如行程时间估计、交通预测和轨迹相似度度量）的基本基础。大多数应用需要大量高采样率轨迹以取得良好性能。然而，由于能耗考虑或其他限制，许多现实轨迹以低采样率采集。本文研究轨迹恢复任务，作为提高低采样轨迹采样率的一种手段。目前，大多数现有轨迹恢复工作遵循序列到序列框架，使用编码器编码轨迹并用解码器恢复轨迹中的真实 GPS 点。然而，这些工作忽略路网拓扑，仅使用网格信息或原始 GPS 点作为输入。因此，编码器模型无法捕获沿轨迹 GPS 点的丰富空间信息，使预测准确性较低且缺乏空间一致性。本文提出一种路网增强的基于 Transformer 的框架，即 RNTrajRec，用于轨迹恢复。RNTrajRec 首先使用图模型 GridGNN 学习每个路段嵌入特征；接着开发空间-时间 Transformer 模型 GPSFormer 学习丰富时空特征，并配合子图生成模块捕获轨迹中每个 GPS 点的空间特征；最后将编码器模型输出送入多任务解码器模型以恢复缺失 GPS 点。基于三个大规模现实轨迹数据集的广泛实验证实了方法的有效性。
引用
@article{arxiv.2211.13234,
title = {RNTrajRec: Road Network Enhanced Trajectory Recovery with Spatial-Temporal Transformer},
author = {Yuqi Chen and Hanyuan Zhang and Weiwei Sun and Baihua Zheng},
journal= {arXiv preprint arXiv:2211.13234},
year = {2022}
}