2023 AAAI

1 intro

1.1 背景

• 建模人類個體移動模式并生成接近真實(shí)的軌跡在許多應(yīng)用中至關(guān)重要
  • 1）生成軌跡方法能夠?yàn)槌鞘幸?guī)劃、流行病傳播分析和交通管控等城市假設(shè)分析場景提供仿仿真數(shù)據(jù)支撐
  • 2）生成軌跡方法也是目前促進(jìn)軌跡數(shù)據(jù)開源共享與解決軌跡數(shù)據(jù)隱私問題的可行解決方案
    • 在不泄漏移動軌跡數(shù)據(jù)中個人隱私的情況下實(shí)現(xiàn)軌跡數(shù)據(jù)的開源共享
    • eg，某出行公司A擁有城市內(nèi)的出租車軌跡數(shù)據(jù)，而某共享自行車公司 B 擁有同一城市內(nèi)的共享單車軌跡數(shù)據(jù)。
      • 如若兩公司能夠互相共享數(shù)據(jù)，那么二者能夠更好地預(yù)測城市出行需求，從而改進(jìn)相應(yīng)的車輛調(diào)度服務(wù)。
      • 但礙于軌跡數(shù)據(jù)的強(qiáng)隱私性，公司 A 與 B 無法互相共享數(shù)據(jù)。
      • 此時，使用在數(shù)據(jù)效用上與真實(shí)軌跡相近的生成軌跡不僅可以完成數(shù)據(jù)共享改進(jìn)各方服務(wù)，而且也可以避免用戶隱私泄露。
    • 因此，生成具有良好數(shù)據(jù)效用的軌跡數(shù)據(jù)非常重要

1.2 之前的工作

• 早期階段，研究人員旨在構(gòu)建基于模型的方法來模擬人類移動的規(guī)律性，例如時間周期性、空間連續(xù)性
  • 這些方法假設(shè)人類移動可以用特定的移動模式來描述，因此可以用具有明確物理意義的有限參數(shù)來建模。
  • 然而，事實(shí)上，人類移動行為表現(xiàn)出復(fù)雜的順序轉(zhuǎn)換規(guī)律，這些規(guī)律可能是時間依賴的、高階的。
  • ——>因此，盡管這些基于模型的方法具有設(shè)計上可解釋的優(yōu)點(diǎn)，但由于實(shí)現(xiàn)機(jī)制的簡單性，它們的性能受到限制。
• 近些年使用神經(jīng)網(wǎng)絡(luò)生成范例（GAN、VAE）的無模型方法
  • 放棄了特定人類移動模式的提取
  • 直接構(gòu)建神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)真實(shí)數(shù)據(jù)的分布，并從相同分布中生成軌跡
  • 存在的問題
    • 忽略了生成軌跡的連續(xù)性問題
    • 不利用人類移動先驗(yàn)知識，難以有效地生成連續(xù)軌跡
    • 現(xiàn)有方法的隨機(jī)生成過程存在誤差積累問題
      • 現(xiàn)有生成過程中軌跡是根據(jù)生成器給出的概率隨機(jī)生成的。
      • 一旦生成器預(yù)測錯誤，該過程將在錯誤的前提下繼續(xù)生成，從而降低了生成軌跡的質(zhì)量

1.3 本文的思路

1.3.1 針對第一個挑戰(zhàn)（忽略了生成軌跡的連續(xù)性問題）

算法筆記：A*算法_UQI-LIUWJ的博客-CSDN博客

• 提出了一種融合 A* 算法的城市個體移動模式感知的兩階段對抗生成網(wǎng)絡(luò)
  • 在 A* 假設(shè)中，個體移動行為由兩個因素決定：
    • 從起點(diǎn)道路到當(dāng)前候選道路的已觀察通行成本
    • 從候選道路到目的地的預(yù)期通行成本
  • 結(jié)合以上兩種成本，A* 算法評估哪條候選道路是下一步搜索的最佳候選道路，然后啟發(fā)式地生成最優(yōu)連續(xù)軌跡
• ——>這篇論文的生成器由兩部分組成：
  • 基于注意力網(wǎng)絡(luò)，學(xué)習(xí)觀察到的通行成本
  • 基于 GAT 的網(wǎng)絡(luò)來估計預(yù)期通行成本

1.3.2 針對第二個挑戰(zhàn)（不利用人類移動先驗(yàn)知識）

• 基于軌跡數(shù)據(jù)的時空特性構(gòu)建了鑒別器網(wǎng)絡(luò)
  • 分別從時間序列相似性（序列獎勵）和空間相似性（移動性偏航獎勵）的角度來鑒別生成軌跡的真實(shí)性
  • ——>以提高生成器的有效性

1.3.3 針對第三個挑戰(zhàn)（誤差積累問題）

• 提出了一個兩階段基于 A* 搜索的
  • 第一階段，依據(jù)路網(wǎng)結(jié)構(gòu)構(gòu)建區(qū)域，然后生成區(qū)域軌跡
  • 第二階段，在區(qū)域軌跡的指導(dǎo)下生成連續(xù)軌跡

1.4 貢獻(xiàn)

• 首次使用 A* 算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合以解決城市道路網(wǎng)絡(luò)上連續(xù)軌跡生成問題
• 為了提高生成的有效性和效率，構(gòu)建了一個結(jié)合了序列性獎勵和移動偏航獎勵的鑒別器，并提出了一個兩階段生成過程
• 在兩個真實(shí)軌跡集上的相似性對比實(shí)驗(yàn)與兩個案例研究證明了框架的有效性和魯棒性

2 問題定義

2.1 連續(xù)軌跡

• 城市道路網(wǎng)絡(luò)上的連續(xù)軌跡定義為按時間排序的序列?
  • 軌跡點(diǎn)xi由一個元組(li,ti)表示
    • li——路段ID
    • ti——軌跡點(diǎn)對應(yīng)的時間信息
  • 連續(xù)軌跡需要滿足：相鄰的軌跡點(diǎn)在路網(wǎng)中是相鄰路段

2.2 連續(xù)軌跡生成問題

• 給定一個真實(shí)世界的移動軌跡數(shù)據(jù)集，給定起止點(diǎn)，生成一條或一組連續(xù)的移動軌跡

• 連續(xù)軌跡生成問題可以被建模為馬爾可夫決策過程
  • 狀態(tài)——當(dāng)前個體的移動狀態(tài)
    • 由當(dāng)前部分軌跡和目的地ld組成
  • 個體動作a——要移動的下一個候選路段lj
  • 個體移動策略——個體在當(dāng)前狀態(tài)下決定下一步動作的條件概率
    • 
• ?生成器按照最大化個體移動策略的總概率來生成軌跡
  • 

3 模型

3.1? ?整體模型

3.2?生成器

3.2.1 生成器的A*思想

• 在 A* 假設(shè)中，個體移動行為由兩個因素決定：
  • 從起點(diǎn)道路到當(dāng)前候選道路lj的當(dāng)前已通行成本（g）
  • 從候選道路lj到目的地的未來通行成本（h）
• 結(jié)合以上兩種成本，A* 算法評估哪條候選道路是下一步搜索的最佳候選道路，然后啟發(fā)式地生成最優(yōu)連續(xù)軌跡
  • 

• 使用樸素 A* 算法生成軌跡有以下兩個缺陷
  • 在樸素 A* 算法中，g 和 h 函數(shù)是根據(jù)路段之間的球面距離計算的
    • ——》學(xué)習(xí)多樣化的人類個體移動模式變得困難
  • 球面距離不能準(zhǔn)確估算未來通行成本
    • eg，主干道 & 支路
• ——>使用神經(jīng)網(wǎng)絡(luò)擬合 g 和 h 函數(shù)以建模個體移動模式，從而預(yù)測個體移動策略
  • 

  注：這篇論文只是采用A*算法這個思路，并不是使用A*算法來找下一個路段，找下一條路段還是用概率P來找的?

3.2.2 擬合A* 算法思路中的g函數(shù)（已通行成本）

?3.2.3 擬合A*算法思路中的h函數(shù)（未來通行成本）

論文筆記 Graph Attention Networks_UQI-LIUWJ的博客-CSDN博客

• 使用圖注意力網(wǎng)絡(luò)從道路網(wǎng)絡(luò)中提取相對位置信息，并計算兩個路段之間的球形距離
  • 基于以上信息，最終使用多層感知器網(wǎng)絡(luò)來估計未來通行成本 h

?3.3 鑒別器

3.3.1 序列性獎勵

3.3.2? ?移動性偏航獎勵

3.4 訓(xùn)練生成器（REINFORCE算法）

強(qiáng)化學(xué)習(xí)筆記：policy learning_UQI-LIUWJ的博客-CSDN博客

強(qiáng)化學(xué)習(xí)，所以使用梯度上升

3.5 兩階段生成過程

• 現(xiàn)有方法的隨機(jī)生成過程存在誤差累積的問題
• 即在該過程中，軌跡是根據(jù)生成器給出的概率隨機(jī)生成
  • 
  • 然而，一旦生成器預(yù)測錯誤，隨機(jī)生成過程會在錯誤的前提狀態(tài)下繼續(xù)生成
    • 當(dāng)生成長軌跡時，生成器出錯的概率隨著生成器做出的預(yù)測數(shù)量的增加而增加
    • ——>生成軌跡難以到達(dá)目的地，同時降低生成軌跡的質(zhì)量
• 論文采用了兩階段生成過程
  • 第一階段生成區(qū)域軌跡
  • 第二階段，在區(qū)域軌跡的前提下生成區(qū)域內(nèi)的道路級別軌跡，從而完成連續(xù)軌跡生成

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)集

?4.2 比較結(jié)果

5 可能可以改進(jìn)的點(diǎn)

不同的人有不同的通行習(xí)慣，這邊只考慮的比較general的mobility pattern。如何融入personalized mobility pattern，是一個考慮方向文章來源地址http://www.zghlxwxcb.cn/news/detail-660084.html

到了這里，關(guān)于論文筆記：Continuous Trajectory Generation Based on Two-Stage GAN的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！