融合图结构学习和轻量级循环建模的地图匹配方法

现有的地图匹配方法主要依赖序列到序列模型来捕获轨迹内关联性,忽略路段间、轨迹间以及轨迹与路段间的关联性.同时,现有方法采用的循环神经网络因其固有结构,难以进行高效的并行计算.为了充分利用数据中存在的多种关联性,并提升模型的并行计算能力,提出一种融合图结构学习和轻量级循环建模的地图匹配方法(GMMSR).通过路网卷积和轨迹图卷积,建模路段之间和轨迹之间的关联性,采用在隐空间对齐路网和轨迹表示的方式,建模轨迹与路段之间的关联性.利用轻量级循环单元实现模型更高效的并行计算.在北京市某区域轨迹路网数据集上的实验结果表明,所提模型较已有基准模型在精度上实现大幅度提升,在效率上相当或更好....

Full description

Saved in:
Bibliographic Details
Published in北京大学学报（自然科学版） Vol. 60; no. 6; pp. 979 - 988
Main Authors 罗威, 刘钰, 黄强, 武志昊
Format Journal Article
LanguageChinese
Published 北京交通大学计算机与信息技术学院,北京 100044%腾讯科技(北京)有限公司,北京 100193 20.11.2024
Subjects
轨迹和路网关联性
trajectory and road correlations
地图匹配
图神经网络
轻量级循环单元
graph neural networks
map matching
simple recurrence unit
Online AccessGet full text
ISSN0479-8023
DOI10.13209/j.0479-8023.2024.087

Cover

More Information
Summary:现有的地图匹配方法主要依赖序列到序列模型来捕获轨迹内关联性,忽略路段间、轨迹间以及轨迹与路段间的关联性.同时,现有方法采用的循环神经网络因其固有结构,难以进行高效的并行计算.为了充分利用数据中存在的多种关联性,并提升模型的并行计算能力,提出一种融合图结构学习和轻量级循环建模的地图匹配方法(GMMSR).通过路网卷积和轨迹图卷积,建模路段之间和轨迹之间的关联性,采用在隐空间对齐路网和轨迹表示的方式,建模轨迹与路段之间的关联性.利用轻量级循环单元实现模型更高效的并行计算.在北京市某区域轨迹路网数据集上的实验结果表明,所提模型较已有基准模型在精度上实现大幅度提升,在效率上相当或更好.
ISSN:0479-8023
DOI:10.13209/j.0479-8023.2024.087