kdd轨迹调研

文章目录

    • KDD21 A Graph-based Approach for Trajectory Similarity Computation in Spatial Networks(cite 17)
    • ICDE18 Deep Representation Learning for Trajectory Similarity Computation (cite 137)
    • KDD18 Detecting Illegal Vehicle Parking Events using Sharing Bikes’ Trajectories(cite:52)
    • KDD21 Error-Bounded Online Trajectory Simplification with Multi-Agent Reinforcement Learning
    • VLDB18 [Trajectory Simplification: An Experimental Study and Quality Analysis](https://www.semanticscholar.org/paper/8982c333bbebbd4b940708ffef42ad0dc9f912d1)(cite:50)

KDD21 A Graph-based Approach for Trajectory Similarity Computation in Spatial Networks(cite 17)

联合学习轨迹序列信息和空间网络结构,从而计算出相似性

轨迹表示由GNN学习,同时用LSTM模型捕捉轨迹中的序列信息

深度学习用于计算轨迹相似性的弊端:

  1. 学习轨迹embedding时,要同时考虑序列信息和空间结构。

  2. 学习过程收到数据稀少的影响

solution

  1. 提出了一个轨迹感知的随机行走算法和一个新的损失函数来训练一个跳格模型,这样,在这些随机行走中共同出现的POI会产生类似的嵌入。
  2. 为了克服数据稀少,使用GNN对每个POI及其邻居编码
  3. 用长短期记忆(LSTM)网络来学习它的表示。

ICDE18 Deep Representation Learning for Trajectory Similarity Computation (cite 137)

第一个深度表征学习方法,用于学习低质量轨迹的特征表达,(非均匀采样率、低采样率,有噪声),以支持高效的轨迹相似性计算。

提出trajectory to vector,用于推断和表示基于深度表示学习的轨迹的基本路线信息。

利用学习到的表征,计算两条轨迹之间的相似性只需要线性时间O(n+|v|)(|v|是矢量v的长度),而所有现有的方法需要O(n2)时间。

contribution:

  1. 提出基于seq2seq的模型来学习轨迹表征

  2. 为了指导模型学习由相同路线产生的轨迹的一致表示,设计了一个spatial proximity aware loss function and a cell pretraining algorithm

KDD18 Detecting Illegal Vehicle Parking Events using Sharing Bikes’ Trajectories(cite:52)

通过挖掘共享单车的轨迹来有效地检测非法车辆停放

非法车辆停放事件通常发生在路边,它阻挡了自行车用户的路径,并显著影响他们的轨迹。

使用自行车gps轨迹数据检测违停的好处:

  1. 使用范围广阔,城市大部分道路被密集覆盖,我们可能检测到大范围的违停事件

  2. GPS轨迹详细,颗粒度非常高,1)两个GPS点之间60%以上的距离小于6米,2)两个GPS点之间70%以上的时间间隔小于6秒

challenges:

  1. 数据错误

  2. 地图匹配。轨迹与道路匹配(自行车可以在道路外自由行驶

  3. 开发非法停车检测模型,很难收集大量的训练数据

  4. 效率。(数据量太大

KDD21 Error-Bounded Online Trajectory Simplification with Multi-Agent Reinforcement Learning

有误差限制的在线轨迹简化问题(EB-OTS):保留尽可能少的点,使信息损失,即简化轨迹的 “误差”,被一个误差容限所约束。

这些现有的算法在轨迹简化过程中依赖于预先定义的决策规则,并且没有理论依据支持其有效性。

MARL4TS涉及两个代理在轨迹简化过程中的不同决策问题。

现有算法使用三步法,存在问题:1、步骤二复杂度为O(n2)(新提出方法在线性时间内运行),2、步骤三使用人为预定义的规则,不能保证正确性

solution:

  1. 引入了两个代理,即Agent-E和Agent-R,分别负责在三步程序中扩大窗口和重新开放窗口。

  2. 让两个代理人分享他们的奖励,以便他们可以合作实现有效的在线轨迹简化。

VLDB18 Trajectory Simplification: An Experimental Study and Quality Analysis(cite:50)

轨迹压缩实验paper:使用5个不同移动模式的真实数据集比较了总共25种算法的性能。

  1. batch mode :知道完整的历史数据,目的是在服务器端实现压缩率和数据损失之间的良好平衡。

  2. online mode:在传感器端只有一个本地缓冲区,其目标是为流式GPS数据保持最重要的点。

利用道路网络的知识来促进轨迹压缩,往往可以取得更高压缩率,但需要额外信息,本文不包括此类方法

首次实证研究了在压缩轨迹数据库之上支持流行的空间-时间查询的准确性。使用简化轨迹数据库的数据可用性作为压缩质量的替代性能指标,对支持范围查询、kNN查询、空间连接和简化轨迹之上的轨迹聚类的准确性进行了首次实验研究。

https://github.com/uestc-db/traj-compression

Conclusion:

  1. 方向感知的轨迹简化算法在实践中的效果很差,只有在方向是最重要的信息的特定应用中,才推荐这种算法。

  2. MRPA和DOTS是分别推荐用于批量和在线模式的两种算法。这是因为它们在多种误差指标上取得了最好的性能,并能有效地支持减少的轨迹数据库中的时空查询处理。

  3. 设计一个有效的距离度量对于压缩性能至关重要

你可能感兴趣的:(机器学习,人工智能,深度学习)