基于状态传播扩散模型的轨迹恢复：TrajWeaver
机器学习
2024-09-05 v1 人工智能
摘要
随着位置感知设备的普及，大量轨迹数据在人员、车辆和货物在城市环境中流动时生成。这些原始轨迹通常来自汽车中的 GPS、个人移动设备和公共交通等多种来源，由于采样率有限、基础设施覆盖范围不足以及数据丢失，往往稀疏且碎片化。轨迹恢复旨在将此类稀疏原始轨迹恢复为密集且连续的轨迹，以准确捕捉代理（如人员、车辆和货物）在时空中的细粒度运动。现有轨迹恢复方法通常依赖旅行模式或运动模式的先验知识，在缺乏准确地图的密集城市区域往往难以实现。本文提出一种名为 TrajWeaver 的新型恢复框架，基于概率扩散模型，可在各种辅助特征（如沿途兴趣区域、用户身份和运单信息）的条件下，从稀疏原始轨迹中恢复出密集且精细的轨迹。TrajWeaver 的核心是一种新颖的状态传播扩散模型 (SPDM)，在标准扩散模型之上引入状态传播机制，使早期扩散步骤计算的知识可被后续步骤重用，从而在提高恢复性能的同时减少所需步骤数。大量实验表明，所提出的 TrajWeaver 能从各种长度、稀疏度和异构旅行模式的原始轨迹中进行恢复，并在恢复精度上显著优于最先进的基线方法。我们的代码已公开：https://anonymous.4open.science/r/TrajWeaver/
引用
@article{arxiv.2409.02124,
title = {TrajWeaver: Trajectory Recovery with State Propagation Diffusion Model},
author = {Jinming Wang and Hai Wang and Hongkai Wen and Geyong Min and Man Luo},
journal= {arXiv preprint arXiv:2409.02124},
year = {2024}
}
备注
First submission, extended to 10 pages include ref