论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning

2021 KDD

1 intro

1.1 背景

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第1张图片

  • 现实中低采样率的轨迹十分常见
    • 以出租车为例,为了节约设备的通信成本,通常每2-6分钟才会上报一个位置信息
    • ——>这导致收集到的轨迹数据十分稀疏
  • 为了更好地挖掘低采样率的轨迹,一个直接的方式是先将低采样率轨迹在自由空间上恢复至高采样率,而后再将恢复的轨迹匹配至路网上,以支持后续的应用服务
    • 然而两步走的做法很可能会导致误差累积
      • 自由空间上的轨迹恢复可能会导致后续地图匹配选错路径
    • 此外,传统的地图匹配是一种非常耗时的算法

1.2 论文思路

  • 提出了一种新的映射约束轨迹恢复模型,即MTrajRec
    • 基于序列到序列(Seq2Seq)多任务学习
    • 同时预测路段ID以及在该路段上移动的比例

2 问题定义

2.1 自由空间轨迹

  • \tau=<p_1,p_2,\cdots,p_n>

    • 每一个采样点由经度、纬度以及时间戳表示
    • p_i=<lat_ilng_i,t_i>,\forall 1 \le i \le n
    • 自由空间轨迹可为均匀或不均匀采样

2.2 地图匹配轨迹

  • 采样率为ε的地图匹配轨迹
    • \tilde{\tau}=<a_1,a_2,\cdots,a_m>
    • 每一个采样点由路段ID,在该路段上移动比例以及时间戳表示
    • a_i=<e_i,r_i,t_i> \forall 1 \le i \le m
    • 采样率表示为每隔一定时间生成一个采样点
      • 地图匹配轨迹为均匀采样轨迹

2.3 将路段ID & 移动比例转换成 经纬度

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第2张图片

2.4 问题定义

  • 给定一个低采样率的自由空间上的轨迹τ以及目标的采样率ε,将其恢复至采样率为ε的地图匹配轨迹τ’

3 模型

3.1 encoder-decoder+multitask

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第3张图片

3.2 约束掩码

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第4张图片

3.3  attention 模组

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第5张图片 

3.4 其他属性模组

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第6张图片 3.5 损失函数

3.5.1 预测路段id

使用cross entropy

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第7张图片

在multi-task中预测路网id 的概率的交叉熵

3.5.2 移动比率

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第8张图片

3.5.3 最终损失函数

4 实验

4.1 数据

  • 济南1个月的122390名司机的轨迹和620万GPS记录。
    • 所有的轨迹每15秒采样一次。它覆盖的矩形面积从(36.6456,116.9854)到(36.6858,117.0692),长约7.47公里,宽4.47公里。共有2,571条路段
  • 通过从随机保持%的采样点来生成低采样率轨迹
    • %={6.25%、12.5%、25%}
    • 平均间隔为4min,2min和1min

4.2 metrics

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第9张图片

使用路径距离,而不是欧氏距离

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第10张图片

  • 由于是有向图,所以rn_dis(a,b)和rn_dis(b,a)是不等的,取这两个路径距离的最小值

4.3 baseline

  • Linear+HMM:假设轨迹直线均匀地移动,然后将轨迹匹配到道路网络上
  • DHTR+HMM“:基于卡尔曼滤波器的subseq2seq模型来在自由空间中恢复轨迹,这是轨迹恢复领域中最先进的方法。在得到恢复的高采样率轨迹后,我们引入HMM将它们匹配到道路
  • DeepMove+Rule:将多因素与递归神经网络来预测人类的流动性,进行下一步轨迹预测。

  • 变体
    • MTrajRec-noCons:没有约束掩码
    • MTrajRec-noAttn:没有attention
    • MTrajRec-noAtts:没有attribute模块

4.4 实验结果

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第11张图片

4.5 运行效率

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第12张图片 4.6 预测结果

论文笔记:MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_第13张图片

你可能感兴趣的:(论文笔记,论文阅读)