TrajLearn: Trajectory Prediction Learning using Deep Generative Models

要約

軌跡予測は、現在位置と過去の移動データを用いてエンティティの将来の経路を推定することを目的としており、自律航法、ロボット工学、人間の運動解析などの分野に有益である。ディープラーニングアプローチは、移動パターンをモデル化するために大規模な軌跡データセットを利用することで、この分野で重要な役割を担っているが、複雑な空間依存性の管理や動的環境への適応という課題に直面している。これらの課題に対処するために、六角形の空間表現に基づく高次の移動フローの生成的モデリングを活用した、軌跡予測のための新しいモデルであるTrajLearnを紹介する。TrajLearnは、空間的連続性を維持しながら複数の潜在的経路を探索するためにカスタマイズされたビーム探索を統合することにより、次の$k$ステップを予測する。我々はTrajLearnの厳密な評価を行い、主要な最先端アプローチと意味のあるベースラインとのベンチマークを行った。その結果、TrajLearnは、複数の実世界の軌跡データセットにおいて、最大〜40%の改善という大幅な性能向上を達成していることが示された。さらに、異なる予測ホライズン（すなわち、$k$の様々な値）を評価し、解像度感度分析を実施し、主要なモデルコンポーネントの影響を評価するためにアブレーション研究を実施した。さらに、六角形領域を指定された観測領域内でより細かいセグメントに階層的に細分化することにより、混合解像度マップを生成する新しいアルゴリズムを開発した。このアプローチは選択的な詳細化をサポートし、関心のある領域や活動が活発な領域（都市中心部など）にはより細かい解像度を適用する一方、それほど重要でない領域（農村部など）にはより粗い解像度を使用することで、データ保存要件と計算オーバーヘッドを効果的に削減する。私たちは、完全なコード、データ、および様々なアプリケーションのための柔軟な設定オプションを備えた詳細なドキュメントを提供することにより、再現性と適応性を促進します。

要約(オリジナル)

Trajectory prediction aims to estimate an entity’s future path using its current position and historical movement data, benefiting fields like autonomous navigation, robotics, and human movement analytics. Deep learning approaches have become key in this area, utilizing large-scale trajectory datasets to model movement patterns, but face challenges in managing complex spatial dependencies and adapting to dynamic environments. To address these challenges, we introduce TrajLearn, a novel model for trajectory prediction that leverages generative modeling of higher-order mobility flows based on hexagonal spatial representation. TrajLearn predicts the next $k$ steps by integrating a customized beam search for exploring multiple potential paths while maintaining spatial continuity. We conducted a rigorous evaluation of TrajLearn, benchmarking it against leading state-of-the-art approaches and meaningful baselines. The results indicate that TrajLearn achieves significant performance gains, with improvements of up to ~40% across multiple real-world trajectory datasets. In addition, we evaluated different prediction horizons (i.e., various values of $k$), conducted resolution sensitivity analysis, and performed ablation studies to assess the impact of key model components. Furthermore, we developed a novel algorithm to generate mixed-resolution maps by hierarchically subdividing hexagonal regions into finer segments within a specified observation area. This approach supports selective detailing, applying finer resolution to areas of interest or high activity (e.g., urban centers) while using coarser resolution for less significant regions (e.g., rural areas), effectively reducing data storage requirements and computational overhead. We promote reproducibility and adaptability by offering complete code, data, and detailed documentation with flexible configuration options for various applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL