Core Concepts
本研究は、車両軌跡データをマルチスケールグラフにモデル化し、注意機構を備えた新しいグラフニューラルネットワークを用いて、効率的な車両軌跡の類似性検索手法を提案する。
Abstract
本研究は、自動運転における車両軌跡の類似性検索に焦点を当てている。従来の手法は、系列処理アルゴリズムやRNNを使用していたが、複雑な構造と重い学習コストが課題となっていた。
本研究では、以下の手順で車両軌跡の類似性検索を行う:
元の車両軌跡データをマルチスケールグラフにモデル化する。各ノードは軌跡を表し、エッジの重みは軌跡間の類似度を表す。
注意機構を備えた新しいグラフニューラルネットワークを用いて、グラフ表現を学習し、各軌跡の埋め込みベクトルを生成する。
クエリ軌跡の埋め込みベクトルと他の軌跡の埋め込みベクトルの距離を計算し、最も近い軌跡を検索する。
実験では、Porto and Geolife データセットを用いて提案手法の有効性を検証した。提案手法は既存手法を上回る性能を示し、車両軌跡の類似性検索における新しい基準を設定した。
Stats
車両軌跡データには、平均60個のデータポイントが含まれている。
ポルトガルのポルト地域では、1,704,759個の軌跡が収集された。
中国の複数の都市では、24,876個の軌跡が収集され、総距離は120万km以上、総時間は48,000時間以上に及ぶ。