论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty

这篇具有很好参考价值的文章主要介绍了论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS 2023

1 intro

1.1 背景

1.1.1 GPS、CDR与MSD数据

  • 之前的地图匹配主要是针对GPS数据
    • GPS数据在全球范围内可用且在定位上相对精确
    • 然而,GPS也存在一些局限性
      • 作为主动生成的数据,GPS耗能大
      • 由于需要主动收集,GPS可能无法随时随地获得
      • ——>以上两点都限制了GPS数据的规模
  • 蜂窝详细记录(CDR)包含拨打/接听电话/短信时的记录
    • 在时间和空间粒度上非常稀疏
    • 先前的研究表明,“CDR不太可能是轨迹映射问题的好数据源
  • 移动电话信号数据(MSD)包含但不限于CDR,并在以下情况下生成
    • (1) 拨打/接听电话;
    • (2) 发送/接收信息;
    • (3) 开关手机;
    • (4) 在基站之间移动;
    • (5) 更新手机的定期位置
    • ——>时间密度高于CDR

1.1.2 MSD进行地图匹配的挑战

  • 大量噪音数据,例如乒乓序列和漂移数据
  • 由于手机信号差或其他原因而造成的数据丢失
  • 位置不确定性。MSD反映的是蜂窝塔的位置,而不是用户的位置

1.1.3 目前工作的局限性

  • 引入了修改后的隐马尔可夫模型(HMM)方法以提高精度
    • [39]考虑将速度和方向纳入地图匹配
      • 由于较大的位置误差,这两个变量本质上不准确
    • [14]考虑历史轨迹、[39]考虑蜂窝塔特性,以提高精度
      • 由于隐私政策,获取这些数据可能具有挑战性
  • [32]提出了一种基于Transformer的模型,以基于MSD实现地图匹配
    • 一个挑战是缺乏用于训练模型的标记数据

1.2 论文思路

  • 提出了一种针对MSD的新型地图匹配方法,结合了增量隐马尔可夫模型(HMM)算法
    • 不需要额外输入数据
    • 解决了与MSD相关的独特限制
  • 主要框架
    • 引入了一个预处理模块,专门用于处理漂移数据和解决乒乓序列问题
    • 应用基于卡尔曼滤波框架的插值模块和平滑模块,来应对MSD所带来的时空稀疏性和不确定性挑战
    • 增量HMM算法引入了转移概率的惩罚机制,以避免在地图匹配时出现来回错误
    • 维特比算法用于计算OD旅行在数字地图上的最优路线

2 related work

2.1MSD的时空不确定性

2.1.1 时空分辨率

  • MSD数据中的时空不确定性使得传统地图匹配方法的直接应用变得复杂
  • 空间不确定性来源于
    • MSD提供的是蜂窝塔位置而非用户实际位置
    • 蜂窝塔切换和移动通信系统的负载平衡策略
  • 时间不确定性来源于
    • 用户活动间隔的变化
  • 18]在格拉茨和维也纳收集了920小时内的14802条原始信号数据记录真实位置和MSD之间的距离高度不规则,变化范围从13.73米到64.97公里
    • 时间分辨率也是如此,最小、平均和最大时间间隔分别为1秒、90秒和5160秒
  • 不幸的是,大多数当前的地图匹配方法只处理高采样率数据(通常在1秒至1分钟之间采样),导致对低采样率点的数据不确定性增加,使其效果降低

2.1.2 处理漂移数据和乒乓序列

  • 漂移数据——信号记录突然切换到远离前一个蜂窝塔的蜂窝塔,然后立即切回
  • 乒乓序列,也称为振荡序列——数据在两个(或更多)蜂窝塔之间频繁切换
  • 从空间角度看,乒乓序列为MSD带来了大部分噪音和异常值
  • 过去研究中处理漂移数据和乒乓序列数据的方法有三种
基于速度/距离的方法 通过设置速度或距离(或两者)阈值来移除异常数据 只能处理简单的异常,像乒乓序列,较难处理
基于模式的方法 基于规则的启发式方法提取特定切换序列作为异常 在检测复杂的乒乓序列方面存在困难
基于聚类的方法 考虑到漂移数据附近的记录点稀疏,而乒乓序列附近的记录点密度显著高于平均值,这两种数据都可以通过基于聚类的方法处理。 这些聚类方法忽略了时间维度

2.2 路网匹配

3 方法

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

3.1 数据

  • 需要两种类型的数据
    • 路网数据
      • 从OpenStreetMap下载
      • 用于确定候选道路段
      • 被建模为一个有向图G(V, E),其中顶点V代表道路段相交的交叉点集合,边E代表段
    • 原始移动电话信号数据,RMSD
      • 包含移动电话/用户ID、时间戳、蜂窝塔ID以及蜂窝塔的坐标
      • 被定义为轨迹集合
        • ui表示第i个用户
        • 表示用户i在第j个记录的时候连接的基站
        • 代表第j条记录的时间戳
  • 观测轨迹To——HMM的输入
  • 匹配轨迹Tm——HMM的输出
  • Ground truth——TGps

3.2 数据处理

3.2.1 清除漂移数据

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

3.2.2 处理乒乓数据

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

经过预处理后,基于RMSD的个人用户轨迹数据可以区分为移动阶段和静止活动阶段,然后被划分为OD旅行。

3.3 地图匹配

3.3.1 插值

3.3.2 平滑

机器学习笔记:卡尔曼滤波-CSDN博客

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

3.3.3 改进HMM的地图匹配

  • 论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

4 实验

4.1 几个变体 

IM——只包含interpolation

SM——只包含smoothing

SIM——只包含interpolation 和smoothing

4.2 数据集

  • 中国移动提供的匿名数据
  • 对一天内超过20亿条MSD进行了统计分析,得出1/4分位数、平均值和3/4分位数时间间隔分别为28秒、71秒和188秒
  • 论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读
  • 此外,我们还收集了2021年10月至11月志愿者提供的一个月的GPS轨迹数据和MSD
    • MSD点和相应GPS点之间的平均空间距离为290.13米
    • 论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

数据集可在https://github.com/caizy1709/Mobile-phone-Signaling-Data上获取。

4.3 结果

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

4.4 ablation study

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读

论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty,论文笔记,论文阅读文章来源地址https://www.toymoban.com/news/detail-802069.html

到了这里,关于论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • [论文阅读]Coordinate Attention for Efficient Mobile Network Design

      最近关于移动网络设计的研究已经证明了通道注意力(例如, the Squeeze-and-Excitation attention)对于提高模型的性能有显著的效果,但它们通常忽略了位置信息,而位置信息对于生成空间选择性注意图非常重要。在本文中,我们提出了一种新的移动网络注意力机制,将位置信息

    2024年02月07日
    浏览(48)
  • MapTR:Structured Modeling and Learning for Online Vectorized HD Map Construction——论文笔记

    参考代码:MapTR 介绍:这篇文章提出了一种向量化高清地图(vectorized HD map)构建的方法,该方法将高清地图中的元素(线条状或是多边形的)构建为由一组点和带方向边的组合。由于点和方向边在起始点未知的情况下其实是能对同一地图元素够成很多种表达的,对此文章对

    2024年02月15日
    浏览(42)
  • Efficient Global 2D-3D Matching for Camera Localization in a Large-Scale 3D Map

    由于paper并没有给出源码,我们找到了相似的源码:https://github.com/nadiawangberg/structure-based-visual-localization。 这是一个相机内部参数的文本文件,其中包含了一个内部参数矩阵K。该矩阵的元素用于将3D世界坐标系中的点转换为2D图像坐标系中的点。这个文件中的矩阵表示相机的内

    2024年02月10日
    浏览(33)
  • 深度学习论文: Rethinking Mobile Block for Efficient Attention-based Models及其PyTorch实现

    深度学习论文: Rethinking Mobile Block for Efficient Attention-based Models及其PyTorch实现 Rethinking Mobile Block for Efficient Attention-based Models PDF: https://arxiv.org/pdf/2301.01146.pdf PyTorch代码: https://github.com/shanglianlm0525/CvPytorch PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks EMO是高效、轻量级的模型

    2024年02月09日
    浏览(40)
  • 【论文阅读】Progressive Spatio-Temporal Prototype Matching for Text-Video Retrieval

    论文链接:https://openaccess.thecvf.com/content/ICCV2023/papers/Li_Progressive_Spatio-Temporal_Prototype_Matching_for_Text-Video_Retrieval_ICCV_2023_paper.pdf 代码链接:https://github.com/imccretrieval/prost 文章发表于ICCV 2023,来自中科大IMCC实验室。 文本-视频检索是近年来比较新兴的领域,随着多模态和大模型的

    2024年02月04日
    浏览(45)
  • 【论文阅读】A Deep Behavior Path Matching Network for Click-ThroughRate Prediction

    用于点击率预测的深度行为路径匹配网络 用户在电子商务应用程序上的行为不仅包含对商品的各种反馈,有时还隐含着用户决策的认知线索。为了解用户决策背后的心理过程,我们提出了行为路径,并建议将用户当前行为路径与历史行为路径相匹配,以预测用户在应用程序上

    2024年03月28日
    浏览(50)
  • 【论文阅读】D2Match: Leveraging Deep Learning and Degeneracy for Subgraph Matching

    Xuanzhou Liu, Lin Zhang, Jiaqi Sun, Yujiu Yang, and Haiqin Yang. 2023. D2Match: leveraging deep learning and degeneracy for subgraph matching. In Proceedings of the 40th International Conference on Machine Learning (ICML’23), Vol. 202. JMLR.org, Article 933, 22454–22472. 子图匹配是基于图的应用程序的基本组成部分,由于其高阶组合特

    2024年02月03日
    浏览(49)
  • DETR 系列有了新发现?DETRs with Hybrid Matching 论文阅读笔记

    写在前面   有个城市之星的活动,加紧赶一篇博文出来吧。这是 VALSE 2023 大会(VALSE 2023 无锡线下参会个人总结 6月11日-2)上的一篇 Poster 论文,遂找来读读。 论文地址:DETRs with Hybrid Matching 代码地址:https://github.com/HDETR 收录于:CVPR 2023 PS:2023 每周一篇博文,主页 更多干

    2024年02月07日
    浏览(43)
  • 论文笔记:TRANSIT: Fine-grained human mobility trajectory inference at scalewith mobile network signalin

    Type C 2021 来自移动网络运营商的通话详单(CDR)作为一种较新的移动性数据,已经被用来: 推导人类移动的一般法则 建立OD 矩阵 推断人口密度变化 理解城市土地使用情况 CDR呈现了一种独特的可取特性组合: 提供了前所未有的渗透率,因为它们适用于网络提供商的整个订户

    2024年02月19日
    浏览(34)
  • 跨模态检索论文阅读:Learning Semantic Relationship among Instances for Image-Text Matching学习实例之间的语义关系实现图像-文本匹配

    图像-文本匹配是连接图像和语言的桥梁,也是一项重要的任务,它一般通过学习跨模态的整体嵌入来实现两种模态之间高质量的语义对齐。然而,以往的研究只关注捕捉特定模态的样本内的片段级关系,例如图像中的突出区域或句子中的文本词,而通常不太关注捕捉样本和模

    2024年02月04日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包