Trajectory Representation Learning on Road Networks and Grids with Spatio-Temporal Dynamics

要約

軌道表現の学習は、軌道類似性の計算や移動時間の推定など、さまざまな下流アプリケーションでの軌道データ (車両の動きなど) の利用を容易にするため、スマート シティや都市計画などの分野のアプリケーションにとって基本的なタスクです。
これは、高次元の生の軌道データから低次元表現を学習することによって実現されます。
ただし、軌道表現を学習するための既存の方法は、グリッドベースまたは道路ベースの表現に依存しており、これらは本質的に異なるため、他のモダリティに含まれる情報が失われる可能性があります。
さらに、これらの方法は都市交通の動的な性質を見落としており、時間的に変化する交通パターンではなく静的な道路網の特徴に依存しています。
この論文では、グリッドと道路ネットワークのモダリティを統合しながら、時空間力学を組み込んで軌道の豊富な汎用表現を学習するように設計された新しいモデルである TIGR を提案します。
我々は 2 つの現実世界のデータセットで TIGR を評価し、最先端の手法を大幅に上回るパフォーマンスにより、両方のモダリティを組み合わせた有効性を実証しました。つまり、軌道類似性では最大 43.22%、移動時間推定では最大 16.65%、移動時間推定では最大 10.16% です。
目的地予測の場合は %。

要約(オリジナル)

Trajectory representation learning is a fundamental task for applications in fields including smart city, and urban planning, as it facilitates the utilization of trajectory data (e.g., vehicle movements) for various downstream applications, such as trajectory similarity computation or travel time estimation. This is achieved by learning low-dimensional representations from high-dimensional and raw trajectory data. However, existing methods for trajectory representation learning either rely on grid-based or road-based representations, which are inherently different and thus, could lose information contained in the other modality. Moreover, these methods overlook the dynamic nature of urban traffic, relying on static road network features rather than time varying traffic patterns. In this paper, we propose TIGR, a novel model designed to integrate grid and road network modalities while incorporating spatio-temporal dynamics to learn rich, general-purpose representations of trajectories. We evaluate TIGR on two realworld datasets and demonstrate the effectiveness of combining both modalities by substantially outperforming state-of-the-art methods, i.e., up to 43.22% for trajectory similarity, up to 16.65% for travel time estimation, and up to 10.16% for destination prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google