理解并缓解路径数据扩散中的高计算成本问题
机器学习
2025-02-04 v1
摘要
移动服务、导航系统和智能交通技术的进步使得收集大量路径数据成为可能。对这些路径数据的分布进行建模，即所谓的路径生成 (PG) 问题，对于理解城市出行模式和开发智能交通系统至关重要。最近的研究探索了使用扩散模型来解决 PG 问题，因为它们能够捕捉多模态分布并支持条件生成。一项近期的工作设计了一种显式在图空间中进行扩散过程的方法，并达到了最先进的性能。然而，该方法在时间和内存方面计算成本高昂，这限制了其应用。在本文中，我们从理论和实验上分析了该方法，发现其高计算成本的主要原因是其在图空间中显式设计扩散过程。为了提高效率，我们设计了一种潜在空间路径扩散 (LPD) 模型，该模型在潜在空间而非图空间中运行。我们的 LPD 显著降低了时间和内存成本，分别高达 82.8% 和 83.1%。尽管有这些降低，我们的方法并未遭受性能下降。它在大多数场景下以 24.5%~34.0% 的优势超越了最先进的方法。
引用
@article{arxiv.2502.00725,
title = {Understanding and Mitigating the High Computational Cost in Path Data Diffusion},
author = {Dingyuan Shi and Lulu Zhang and Yongxin Tong and Ke Xu},
journal= {arXiv preprint arXiv:2502.00725},
year = {2025}
}
备注
16 pages