[論文レビュー] DiffMM: Efficient Method for Accurate Noisy and Sparse Trajectory Map Matching via One Step Diffusion

Chenxu Han, Bin Yang+1 more|arXiv (Cornell University)|Jan 13, 2026

Traffic Prediction and Management Techniques被引用数 0

ひとこと要約

DiffMM は、マップマッチングのためのエンコーダー–拡散フレームワークを導入し、ワンステップ拶拶の拡散（ショートカット）アプローチを用いて、スパースな GPS 軌跡に対して最先端手法より高い精度と効率を実現します。

ABSTRACT

Map matching for sparse trajectories is a fundamental problem for many trajectory-based applications, e.g., traffic scheduling and traffic flow analysis. Existing methods for map matching are generally based on Hidden Markov Model (HMM) or encoder-decoder framework. However, these methods continue to face significant challenges when handling noisy or sparsely sampled GPS trajectories. To address these limitations, we propose DiffMM, an encoder-diffusion-based map matching framework that produces effective yet efficient matching results through a one-step diffusion process. We first introduce a road segment-aware trajectory encoder that jointly embeds the input trajectory and its surrounding candidate road segments into a shared latent space through an attention mechanism. Next, we propose a one step diffusion method to realize map matching through a shortcut model by leveraging the joint embedding of the trajectory and candidate road segments as conditioning context. We conduct extensive experiments on large-scale trajectory datasets, demonstrating that our approach consistently outperforms state-of-the-art map matching methods in terms of both accuracy and efficiency, particularly for sparse trajectories and complex road network topologies.

研究の動機と目的

• ノイズのある GPS データとスパースなサンプリングに対するマップマッチングの感度を解消する。
• 軌道と候補道路セグメントを共同で埋め込むエンコーダー–拡散フレームワークを開発する。
• 軌道・道路埋込みに条件付けられたワンステップのデノイズ（ショートカットモデル）を効率的に実現する。
• 大規模都市軌道データセットにおいて卓越した精度と速度を示す。

提案手法

• 入力軌道と近傍の候補道路セグメントを注意機構によって共有潜在空間へ共同埋め込む道路セグメント対応型軌道エンコーダを提案する。
• Deltaメートル半径戦略を採用し、各 GPS 点の意味ある候補道路セグメント集合を形成する。
• デノイズのためのショートカウトモデル（DiT バックボーン）を用いて軌道埋込みに条件付けられた1ステップ拡散としてマップマッチングを定式化する。
• デノイズ拡散をターゲットとするショートカット損失と、マッチング精度の補助的なクロスエントロピー損失の両方で訓練する。
• 推論は条件付き分布を1ステップで生成し、点ごとに最も確率の高いセグメントを選択する。
• 軌道エンコーダと拡散バックボーンのエンドツーエンド訓練。

実験結果

リサーチクエスチョン

• RQ1 ノイズのあるスパースな GPS 軌道下で、エンコーダー–拡散フレームワークはマップマッチングを改善できるか。
• RQ2 軌道と道路セグメントの共同埋込みは候補選択とマッチング精度を改善するか。
• RQ3 ショートカットモデルを用いた1ステップ拡散は、多段拡散や自己回帰デコーダと比較して競争力のある、あるいはより優れた精度と効率を達成できるか。

主な発見

Method	Porto r=0.2	Porto r=0.1	Porto r=0.05	Porto r=0.025	Beijing r=0.5	Beijing r=0.3	Beijing r=0.2	Beijing r=0.1
HMM	92.46	83.82	66.62	40.04	89.19	77.51	68.24	46.46
GraphMM	52.84	49.22	37.67	34.49	40.96	20.57	16.32	12.02
DeepMM	86.38	83.68	81.37	78.69	76.59	73.19	71.64	68.25
RNTrajRec	79.56	77.57	75.81	73.76	74.45	69.78	68.68	68.18
DiffMM (Ours)	93.43	91.47	89.08	86.87	90.32	88.45	87.65	85.39

• DiffMM は Porto および Beijing のデータセットにおいて、異なるスパース性レベルで最先端ベースラインより精度が高い。
• DiffMM はベースラインより推論が著しく高速で、トレーニング時間は最速手法と同等程度、推論は 1000 軌道あたり 1.18 秒。
• アブレーションにより、Transformer ベースの点表現と注意機構を用いたセグメント統合、ショートカット拡散が伝統的拡散より優れていることが示された。
• DiffMM は訓練データが少なくても高い精度を維持し、データ不足に対する頑健性を示す。
• スパース性の頑健性：DiffMM はよりスパースな軌道では HMM や他のベースラインと比べて劣化が小さい。