MobilityDL: A Review of Deep Learning From Trajectory Data

要約

軌跡データは、時系列、空間データ、および (場合によっては不合理な) 移動動作の複雑さを組み合わせたものです。
データの可用性とコンピューティング能力が向上するにつれて、軌跡データからのディープラーニングの人気も高まっています。
このレビュー ペーパーは、軌跡データに対する深層学習アプローチの包括的な概要を初めて提供します。
私たちは、ディープ ラーニング モデルと使用されるトレーニング データに関して分析する 8 つの具体的なモビリティ ユース ケースを特定しました。
2018年以降の文献の包括的な定量的レビューに加えて、私たちの研究の主な貢献は、この分野の最近の研究のデータ中心の分析であり、個々の移動体の詳細で密な軌道（準連続）に及ぶモビリティデータの連続体に沿って配置されています。
追跡データ）、まばらな軌跡（チェックイン データなど）、および集約された軌跡（群集情報）まで。

要約(オリジナル)

Trajectory data combines the complexities of time series, spatial data, and (sometimes irrational) movement behavior. As data availability and computing power have increased, so has the popularity of deep learning from trajectory data. This review paper provides the first comprehensive overview of deep learning approaches for trajectory data. We have identified eight specific mobility use cases which we analyze with regards to the deep learning models and the training data used. Besides a comprehensive quantitative review of the literature since 2018, the main contribution of our work is the data-centric analysis of recent work in this field, placing it along the mobility data continuum which ranges from detailed dense trajectories of individual movers (quasi-continuous tracking data), to sparse trajectories (such as check-in data), and aggregated trajectories (crowd information).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google