网站建设与管理专业教学计划,音频文件放到网站空间里生成链接怎么做,郑州企业建站策划,网页h52023 AAAI
1 intro
1.1 背景
建模人类个体移动模式并生成接近真实的轨迹在许多应用中至关重要 1#xff09;生成轨迹方法能够为城市规划、流行病传播分析和交通管控等城市假设分析场景提供仿仿真数据支撑2#xff09;生成轨迹方法也是目前促进轨迹数据开源共享与解决轨迹数…2023 AAAI
1 intro
1.1 背景
建模人类个体移动模式并生成接近真实的轨迹在许多应用中至关重要 1生成轨迹方法能够为城市规划、流行病传播分析和交通管控等城市假设分析场景提供仿仿真数据支撑2生成轨迹方法也是目前促进轨迹数据开源共享与解决轨迹数据隐私问题的可行解决方案 在不泄漏移动轨迹数据中个人隐私的情况下实现轨迹数据的开源共享eg某出行公司A拥有城市内的出租车轨迹数据而某共享自行车公司 B 拥有同一城市内的共享单车轨迹数据。 如若两公司能够互相共享数据那么二者能够更好地预测城市出行需求从而改进相应的车辆调度服务。但碍于轨迹数据的强隐私性公司 A 与 B 无法互相共享数据。此时使用在数据效用上与真实轨迹相近的生成轨迹不仅可以完成数据共享改进各方服务而且也可以避免用户隐私泄露。因此生成具有良好数据效用的轨迹数据非常重要
1.2 之前的工作
早期阶段研究人员旨在构建基于模型的方法来模拟人类移动的规律性例如时间周期性、空间连续性 这些方法假设人类移动可以用特定的移动模式来描述因此可以用具有明确物理意义的有限参数来建模。然而事实上人类移动行为表现出复杂的顺序转换规律这些规律可能是时间依赖的、高阶的。——因此尽管这些基于模型的方法具有设计上可解释的优点但由于实现机制的简单性它们的性能受到限制。近些年使用神经网络生成范例GAN、VAE的无模型方法 放弃了特定人类移动模式的提取直接构建神经网络来学习真实数据的分布并从相同分布中生成轨迹存在的问题 忽略了生成轨迹的连续性问题不利用人类移动先验知识难以有效地生成连续轨迹现有方法的随机生成过程存在误差积累问题 现有生成过程中轨迹是根据生成器给出的概率随机生成的。一旦生成器预测错误该过程将在错误的前提下继续生成从而降低了生成轨迹的质量
1.3 本文的思路
1.3.1 针对第一个挑战忽略了生成轨迹的连续性问题
算法笔记A*算法_UQI-LIUWJ的博客-CSDN博客
提出了一种融合 A* 算法的城市个体移动模式感知的两阶段对抗生成网络 在 A* 假设中个体移动行为由两个因素决定 从起点道路到当前候选道路的已观察通行成本从候选道路到目的地的预期通行成本结合以上两种成本A* 算法评估哪条候选道路是下一步搜索的最佳候选道路然后启发式地生成最优连续轨迹——这篇论文的生成器由两部分组成 基于注意力网络学习观察到的通行成本基于 GAT 的网络来估计预期通行成本
1.3.2 针对第二个挑战不利用人类移动先验知识
基于轨迹数据的时空特性构建了鉴别器网络 分别从时间序列相似性序列奖励和空间相似性移动性偏航奖励的角度来鉴别生成轨迹的真实性——以提高生成器的有效性
1.3.3 针对第三个挑战误差积累问题
提出了一个两阶段基于 A* 搜索的 第一阶段依据路网结构构建区域然后生成区域轨迹第二阶段在区域轨迹的指导下生成连续轨迹
1.4 贡献
首次使用 A* 算法与神经网络相结合以解决城市道路网络上连续轨迹生成问题为了提高生成的有效性和效率构建了一个结合了序列性奖励和移动偏航奖励的鉴别器并提出了一个两阶段生成过程在两个真实轨迹集上的相似性对比实验与两个案例研究证明了框架的有效性和鲁棒性
2 问题定义
2.1 连续轨迹
城市道路网络上的连续轨迹定义为按时间排序的序列 轨迹点xi由一个元组(li,ti)表示 li——路段IDti——轨迹点对应的时间信息连续轨迹需要满足相邻的轨迹点在路网中是相邻路段
2.2 连续轨迹生成问题
给定一个真实世界的移动轨迹数据集给定起止点生成一条或一组连续的移动轨迹 连续轨迹生成问题可以被建模为马尔可夫决策过程 状态——当前个体的移动状态 由当前部分轨迹和目的地ld组成个体动作a——要移动的下一个候选路段lj个体移动策略——个体在当前状态下决定下一步动作的条件概率 生成器按照最大化个体移动策略的总概率来生成轨迹
3 模型
3.1 整体模型 3.2 生成器
3.2.1 生成器的A*思想
在 A* 假设中个体移动行为由两个因素决定 从起点道路到当前候选道路lj的当前已通行成本g从候选道路lj到目的地的未来通行成本h结合以上两种成本A* 算法评估哪条候选道路是下一步搜索的最佳候选道路然后启发式地生成最优连续轨迹 使用朴素 A* 算法生成轨迹有以下两个缺陷 在朴素 A* 算法中g 和 h 函数是根据路段之间的球面距离计算的 ——》学习多样化的人类个体移动模式变得困难球面距离不能准确估算未来通行成本 eg主干道 支路——使用神经网络拟合 g 和 h 函数以建模个体移动模式从而预测个体移动策略 注这篇论文只是采用A*算法这个思路并不是使用A*算法来找下一个路段找下一条路段还是用概率P来找的
3.2.2 拟合A* 算法思路中的g函数已通行成本 3.2.3 拟合A*算法思路中的h函数未来通行成本
论文笔记 Graph Attention Networks_UQI-LIUWJ的博客-CSDN博客
使用图注意力网络从道路网络中提取相对位置信息并计算两个路段之间的球形距离 基于以上信息最终使用多层感知器网络来估计未来通行成本 h 3.3 鉴别器 3.3.1 序列性奖励 3.3.2 移动性偏航奖励 3.4 训练生成器REINFORCE算法
强化学习笔记policy learning_UQI-LIUWJ的博客-CSDN博客
强化学习所以使用梯度上升 3.5 两阶段生成过程
现有方法的随机生成过程存在误差累积的问题即在该过程中轨迹是根据生成器给出的概率随机生成 然而一旦生成器预测错误随机生成过程会在错误的前提状态下继续生成 当生成长轨迹时生成器出错的概率随着生成器做出的预测数量的增加而增加——生成轨迹难以到达目的地同时降低生成轨迹的质量论文采用了两阶段生成过程 第一阶段生成区域轨迹第二阶段在区域轨迹的前提下生成区域内的道路级别轨迹从而完成连续轨迹生成 4 实验
4.1 数据集 4.2 比较结果 5 可能可以改进的点
不同的人有不同的通行习惯这边只考虑的比较general的mobility pattern。如何融入personalized mobility pattern是一个考虑方向
