TrajGAIL：使用生成对抗模仿学习生成城市车辆轨迹
机器学习
2021-10-01 v4 机器学习
摘要
近来，道路网络中收集了大量城市车辆轨迹数据。许多研究使用机器学习算法分析车辆轨迹中的模式以预测个体出行者的位置序列。与以往使用判别建模方法的研究不同，本研究提出一种生成建模方法，以学习城市车辆轨迹数据的底层分布。城市车辆轨迹的生成模型可通过学习训练数据的底层分布，从而更好地从训练数据中泛化，并由此在有限观测下生成类似于真实车辆轨迹的合成车辆轨迹。合成轨迹可为使用位置数据时的数据稀疏性或数据隐私问题提供解决方案。本研究提出 TrajGAIL，一种用于城市车辆轨迹生成的生成对抗模仿学习框架。在 TrajGAIL 中，学习观测轨迹中的位置序列被表述为部分可观测马尔可夫决策过程中的模仿学习问题。该模型由生成对抗框架训练，其使用来自对抗判别器的奖励函数。该模型在仿真与真实世界数据集上进行了测试，结果表明所提模型在序列建模中相比现有模型获得了显著的性能提升。
引用
@article{arxiv.2007.14189,
title = {TrajGAIL: Generating Urban Vehicle Trajectories using Generative Adversarial Imitation Learning},
author = {Seongjin Choi and Jiwon Kim and Hwasoo Yeo},
journal= {arXiv preprint arXiv:2007.14189},
year = {2021}
}
备注
25 pages, 10 figures, 2 table