面向城市复杂环境的基于天气-时间-轨迹融合网络的行人轨迹预测 (WTTFNet)
计算机视觉与模式识别
2024-05-30 v1 机器学习
摘要
在城市复杂环境中进行行人轨迹建模具有挑战性，因为行人可能有多个目的地，如商店、扶梯和景点等。此外，天气和时间段可能影响行人行为。本文提出了一种新的基于天气-时间-轨迹融合网络 (WTTFNet) 的方法，以提高基线深度神经网络架构的性能。通过将天气和时间信息作为嵌入结构纳入，提出了一种基于门控多模态单元的 WTTFNet，用于融合多模态信息和轨迹的深度表征。采用基于焦点损失的联合损失函数共同优化深度轨迹特征和最终分类器，有助于提高对行人意图目的地的预测准确性，从而在各种类别不平衡情形下的轨迹预测效果。使用 Osaka Asia and Pacific Trade Center (ATC) 数据集进行实验，表明该方法相对于 state-of-the-art algorithms 在分类准确率提升了 23.67%，平均位移误差降低 9.16%，最终位移误差降低 7.07%。该方法可能成为改进现有基线轨迹预测模型在受天气-时间条件影响情形下性能的有吸引力的方法，可用于诸如行人设施工程、公共空间开发和技术驱动的零售等众多应用场景。
引用
@article{arxiv.2405.18945,
title = {WTTFNet: A Weather-Time-Trajectory Fusion Network for Pedestrian Trajectory Prediction in Urban Complex},
author = {Ho Chun Wu and Esther Hoi Shan Lau and Paul Yuen and Kevin Hung and John Kwok Tai Chui and Andrew Kwok Fai Lui},
journal= {arXiv preprint arXiv:2405.18945},
year = {2024}
}
备注
12 pages, 7 figures