TR-ODE：通过Seq2Seq学习结合GRU-ODE-Bayes实现鲁棒的车辆轨迹恢复

《ACM Transactions on Sensor Networks》：TR-ODE: Robust Vehicle Trajectory Recovery via Seq2Seq Learning with GRU-ODE-Bayes

轨迹恢复与交通摄像头数据利用|神经常微分方程|多任务学习模块|运动不确定性建模|MAE/RMSE优化

　　

摘要

恢复精细的城市车辆轨迹数据对于理解出行模式和提高交通系统的效率具有巨大潜力。现有的大多数解决方案依赖于定期采样的GPS点，但这些数据仅来自参与其中的车辆。在这项工作中，我们利用交通摄像头观测数据来实现全市范围内的车辆轨迹恢复。然而，存在两个主要挑战：首先，交通摄像头在道路交叉口的分布较为稀疏，导致车辆观测数据不均匀且采样间隔不规律；其次，在重建相隔较远的连续观测点之间的轨迹时会产生较大的不确定性。为了解决这些问题，我们提出了基于神经常微分方程（Neural Ordinary Differential Equations）的新型编码器-解码器框架TR-ODE，用于连续时间轨迹恢复。具体而言，TR-ODE采用定制的GRU-ODE-Bayes模型在观测点之间更新隐藏状态，并结合新的观测数据来修正当前隐藏状态。通过引入多任务学习模块TrajRec，该方法整合了道路嵌入信息和自注意力机制（self-attention scores），以辅助对道路段和车辆移动比例的同时预测。在两个真实世界数据集上的广泛实验表明，TR-ODE在从不规则观测数据中恢复车辆轨迹方面优于现有方法，平均绝对误差（MAE）和均方根误差（RMSE）分别降低了17.11%和14.47%。