TrajFM：面向区域与任务可迁移性的车辆轨迹基础模型
计算机视觉与模式识别
2024-08-29 v1 机器学习
摘要
车辆轨迹提供了有价值的运动信息，支持各种下游任务并驱动实际应用。一个理想的轨迹学习模型应能在不同区域和任务之间迁移而无需重新训练，从而提高计算效率并在有限训练数据下保持有效性。然而，模型跨区域迁移的能力受到每个区域独特的空间特征和兴趣点(POI)布局的限制，这些特征与车辆运动模式紧密相关且难以泛化。此外，由于不同任务需要不同的生成方案，实现任务可迁移性也具有挑战性。现有的可迁移性工作主要涉及学习轨迹的嵌入向量，这些向量在区域迁移中表现不佳，并且在任务迁移时仍需重新训练预测模块。为应对这些挑战，我们提出了TrajFM，一个在区域和任务可迁移性方面均表现出色的车辆轨迹基础模型。对于区域可迁移性，我们引入了STRFormer作为TrajFM内的主要可学习模型。它整合了轨迹的空间、时间和POI模态，以有效管理不同区域间POI布局的变化，并包含一个可学习的时空旋转位置嵌入模块来处理空间特征。对于任务可迁移性，我们提出了一种轨迹掩码与恢复方案。该方案将各种任务的生成过程统一为模态和子轨迹的掩码与恢复，使得TrajFM可以预训练一次，然后迁移到不同任务而无需重新训练。在多种设置下的两个真实车辆轨迹数据集上的实验证明了TrajFM的有效性。代码可在https://anonymous.4open.science/r/TrajFM-30E4 获取。
引用
@article{arxiv.2408.15251,
title = {TrajFM: A Vehicle Trajectory Foundation Model for Region and Task Transferability},
author = {Yan Lin and Tonglong Wei and Zeyu Zhou and Haomin Wen and Jilin Hu and Shengnan Guo and Youfang Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2408.15251},
year = {2024}
}