论文略读：TrajRecovery: An Efficient Vehicle Trajectory Recovery Framework based on Urban-Scale Traffic

2024 KDD

• 轨迹恢复问题目标是基于原始的、低采样的轨迹数据恢复出准确的轨迹数据
  • 目前的方法都针对基于GPS的轨迹恢复
    • 然而，GPS设备和基于此的轨迹数据仅对出租车、公交车等公共交通工具可用，而不是所有车辆
    • 大多数私人车辆的GPS轨迹数据几乎无法获得
• 论文提出一种新的轨迹恢复方法，该方法不依赖GPS轨迹，但能实现一般车辆的轨迹恢复
  • 在城市地区，交通摄像头24小时不间断地运行，持续捕捉所有车辆的通行记录
  • 结合车辆重识别技术，这些交通摄像头为基于通行记录的车辆轨迹恢复提供了有希望的途径。
  • 首个仅利用交通摄像头记录而非GPS数据的轨迹恢复框架
• 与基于GPS的轨迹恢复研究不同，基于通行（摄像头）记录的方法涉及两个主要任务：
  • 车辆重识别
  • 轨迹恢复
• 基于通行（摄像头）记录的方法有三个挑战
  • Q1：如何有效利用稀疏的车辆通行记录进行轨迹恢复？
    • 虽然监控摄像头24小时工作，但由于三方面原因，观察到的车辆通行记录较为稀疏
      • 并非所有道路段都覆盖有摄像头，这使得预测在未被观察到的道路段上的车辆路径选择变得具有挑战性。
        • 论文收集了来自491个交通摄像头在中国某城市记录的超过2000万条车辆快照，涵盖了连续五天的数据。
        • 通过分析这些数据，发现交通摄像头仅覆盖了7%的道路段，其余93%的道路段无法观测到
      • 网络故障、图像质量下降和摄像头匹配失败可能导致车辆检测的部分失败，进一步加剧了稀疏性问
      • 尽管交通摄像头的分布较广，但这些设备之间的距离依然较大，这使得轨迹恢复更加困难
  • Q2：如何将学习到的知识推广到未观察到的道路段？
    • 当模型遇到训练数据中没有包含的道路段时，恢复效果往往不理想。
    • 大多数现有的基于GPS轨迹恢复方法通常需要大量的观测轨迹数据来进行模型训练。
  • Q3 ：如何实现考虑不同车辆移动偏好的个性化轨迹恢复？
    • 在进行轨迹恢复时，之前的方法通常将所有驾驶者视为相同，从粗粒度的角度出发，忽视了驾驶习惯的多样性。
    • 这种忽视导致了在类似的情境下为不同车辆恢复出相同的轨迹。
    • 如何学习驾驶者的驾驶习惯并实现个性化轨迹恢复，成为一大挑战。
• ——>提出了TrajRecoveryy，一个基于交通摄像头记录的车辆轨迹恢复高效框架。
  • 针对Q1：
    • 构建了一个全面的预处理管道，确保交通摄像头与道路网络的精确对齐。
    • 引入了一个简单但非常有效的历史通行记录检索器（HPRR），通过检索历史通行记录来增强稀疏通行记录的采样率
  • 针对Q2
    • 设计了一个空间转移概率模型（STPM），通过车辆快照捕捉驾驶员在摄像头覆盖的道路段上的转弯概率。
    • 为了将这些知识推广到没有摄像头覆盖的区域，开发了一个运动图神经网络模块（Motion-GAT），通过聚合周围道路段的特征来捕捉道路段之间的内在连接和特征。
    • 通过将Motion-GAT模块集成到STPM中，确保STPM强调道路条件对城市层面转弯的影响，而不是特定的道路段之间的转弯，从而实现更有效的知识转移。
  • 针对Q3：
    • 在STPM中引入了OD-注意力模块（OD-AttentionModule），通过结合注意力机制来检索历史驾驶行为