论文笔记：RNTrajRec: Road Network Enhanced Trajectory Recovery with Spatial-Temporal Transformer

1 intro

1.1 背景

• 轨迹恢复旨在通过恢复给定轨迹的缺失点来增加样本率，从不同的角度丰富低采样样本轨迹
  • 最近的两种方法DHTR、MTrajRec，都通过Seq2Seq的框架，用一个编码模型来生成给定轨迹的表示，和一个解码模型来逐点恢复轨迹
    • 论文笔记：Deep Trajectory Recovery with Fine-Grained Calibration using Kalman Filter-CSDN博客
    • 论文笔记：MTrajRec: Map-Constrained Trajectory Recovery via Seq2SeqMulti-task Learning_UQI-LIUWJ的博客-CSDN博客
  • 然而，他们有两个主要限制
    • 忽略了道路网络结构，使得预测在一定程度上缺乏空间一致性
    • 使用一个简单的编码模型（如一个简单的GRU）来表示轨迹，因此无法充分利用GPS轨迹的丰富上下文信息

• 作者这里举了五角场的例子
  • (a)：三个橙色点形成了一个低采样率的输入轨迹（复旦大学、黄兴路国定路、黄兴公园）
    • 每两个连续点之间的距离相对较长（因为它们之间有许多缺失的GPS点）
    • 轨迹恢复的任务是恢复缺失的点，并将所有GPS点（包括输入点和恢复点）映射到道路网络，以生成一个高采样率的轨迹
• 为了保证恢复轨迹的高精度，道路网络结构和输入轨迹的上下文信息都至关重要，论文认为重要性主要体现在四个方面：
  • 当两个新生成的连续点位于两个不同的路段时，我们必须依赖道路网络来恢复轨迹
    • 如图1(b)所示，新点q4和q5靠近一个有复杂拓扑结构的主要交叉口I1。如果不考虑道路网络结构，就不可能恢复底层的路段
  • 自然情况下的原始GPS点有误差
    • 例如，大多数GPS启用的智能手机在开阔天空下准确到4.9米半径
    • 如图1(a)所示，原始GPS点p1、p2和p3没有位于任何路段上
    • 底层道路网络提供了纠正错误的有效手段，因为车辆必须沿着道路网络移动
  • 输入轨迹中的原始点可能彼此相距甚远，底层道路网络揭示了车辆如何从一点移动到另一点
    • 不能简单地用直线连接图1(a)中的p1到p2
  • 输入轨迹中的两个连续GPS点可能位于两个不同的路段，而连接它们的可能有多条候选路线
    • 在图1(c)中绘制了从p1到p2的三条候选路线（邯郸路-黄兴路；国定路；国权路），同色的三角形代表一条候选路线
    • 轨迹的上下文信息在筛选不可能的候选路线时提供了有用的线索
      • 如果走国权路（路径3）的话，去p2再去p3就要绕路
  • 地图匹配可以被视为轨迹恢复的一个子步骤，而轨迹恢复更具挑战性
    • 因为它不仅将GPS点映射到路段，还恢复真实捕捉到车辆运动的缺失GPS点

1.2 论文思路

• 提出了一种新颖的基于Transformer的模型，即RNTrajRec
  • 带有时空Transformer的路网增强型轨迹恢复框架
  • 首先开发了一个基于网格划分的道路网络表示模块，GridGNN，用于学习每个路段的隐藏状态嵌入
  • 为了捕获轨迹的空间-时间特征和上下文信息，RNTrajRec接着开发了一个新颖的基于Transformer的模型，即GPSFormer
    • 首先通过一个子图生成模块，将轨迹中的每个GPS点表示为围绕GPS点的子图路网
    • 然后引入一个新颖的空间-时间Transformer模型来学习GPS轨迹的丰富空间和时间模式。
    • 最后使用解码器来恢复轨迹中缺失的GPS点

2 Preliminary

2.1 路网

有向图G = (V, E)

2.2 轨迹

• 轨迹τ/ρ被定义为l元组的序列，即τ/ρ = 〈(p1, t1), (p2, t2), · · · , (pl, tl)〉
  • 其中l指的是轨迹的长度，pi指的是τ/ρ中的第i个样本点，ti是τ/ρ中pi的样本时间
  • τ：原始GPS轨迹
  • ρ：运行地图匹配算法（例如HMM ）后的轨迹
• 在原始GPS轨迹τ中，pi记录了它的精确位置，使用纬度和经度，而在地图匹配后的GPS轨迹ρ中，pj根据它所在的路段ej以及移动比率rj ∈ [0, 1)来捕获其位置，该比率捕获了pj在ej总长度上的移动距离
• 原始GPS轨迹τ通常没有固定的样本间隔，我们使用平均时间间隔ετ代替。低样本轨迹有一个长的样本间隔

2.3 地图匹配后的ερ-样本间隔轨迹

具有固定样本间隔ερ的地图匹配后的GPS轨迹，即ρ = 〈(q1, t1) , (q2, t1 + ερ) , ···, (qlρ , t1 + (lρ − 1)ερ)〉

2.4 轨迹恢复

• 给定一个低样本的原始GPS轨迹τ，带有测量误差（例如，图1(a)中的橙色GPS点），轨迹恢复的任务是恢复真实的地图匹配后的ερ-样本间隔轨迹ρ（例如，图1(a)中的蓝色GPS点）。
• 具体来说，对于每个低样本轨迹，它推断缺失的GPS点，并将每个GPS点（包括输入轨迹τ中的GPS点）映射到道路网络上，以获得移动轨迹的真实GPS位置。
• 注意，恢复后轨迹ρ的样本间隔ερ必须远小于给定原始GPS轨迹ετ的样本间隔。

3 模型

3.1 整体架构

3.2 GridGNN：路网表征

3.3 子图生成

3.4 Transformer Encoder Layer

捕获给定轨迹的丰富时间特征

3.5 图精炼层(Graph Refinement Layer, GRL)

3.6  GPSFormer

3.7 decoder

4 实验

4.1 数据集

4.2 结果