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

2021 KDD

1 intro

1.1 背景

• 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

• 

  • 每一个采样点由经度、纬度以及时间戳表示
  • 
  • 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
  • 
  • 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
  • 
  • 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

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

3.2 约束掩码

3.3  attention 模组

 

3.4 其他属性模组

 3.5 损失函数

3.5.1 预测路段id

使用cross entropy

在multi-task中预测路网id 的概率的交叉熵

3.5.2 移动比率

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𝑘𝑟%的采样点来生成低采样率轨迹
  • 𝑘𝑟%={6.25%、12.5%、25%}
  • 平均间隔为4min，2min和1min

4.2 metrics

使用路径距离，而不是欧氏距离

• 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

4.5 运行效率

 4.6 预测结果