[論文レビュー] Trajectory Data Management and Mining: A Survey from Deep Learning to the LLM Era

Wei Chen, Yuanshao Zhu+12 more|arXiv (Cornell University)|Mar 21, 2024

Traffic Prediction and Management Techniques被引用数 10

ひとこと要約

Trajectory data management and mining の深層学習に関する包括的な実態調査で、LLMsの台頭を含む。分類体系、データセット、ツール、将来の方向性を網羅。

ABSTRACT

Trajectory computing is a pivotal domain encompassing trajectory data management and mining, garnering widespread attention due to its crucial role in various practical applications such as location services, urban traffic, and public safety. Traditional methods, focusing on simplistic spatio-temporal features, face challenges of complex calculations, limited scalability, and inadequate adaptability to real-world complexities. In this paper, we present a comprehensive review of the development and recent advances in trajectory computing, from deep learning to the more recent large language models. We first define trajectory data and provide a brief overview of widely-used deep learning models. Systematically, we explore deep learning applications in trajectory management (pre-processing, storage, analysis, and visualization) and mining (trajectory-related forecasting, trajectory-related recommendation, trajectory classification, travel time estimation, anomaly detection, and mobility generation). Furthermore, we discuss emerging research directions and recent advancements in large models (represented by foundation models and large language models) for trajectory computing, which promise to reshape the next generation of trajectory computing. Additionally, we summarize application scenarios, public datasets, and toolkits. Finally, we outline current challenges in trajectory computing research and propose future directions. Relevant papers and open-source resources have been collated and are continuously updated at: https://github.com/yoshall/Awesome-Trajectory-Computing.

研究の動機と目的

• 軌跡データとその形式、性質、表現を定義し、DL4Trajの統一的な基盤を設定する。
• 軌跡管理と軌跡マイニングにおける深層学習アプリケーションの構造化分類体系を提供する。
• 研究と展開を支援するために、公開データセット、ツールキット、および進行中の DL4Traj リソースを要約する。
• 軌跡計算における大規模言語モデル（LLMs）の出現を論じ、課題と将来の方向性を概説する。

提案手法

• 軌跡データ管理とマイニングのための深層学習に関する既存文献をレビューし、統合する。
• 軌跡データを形式（時空間ポイント、行列、グラフ、画像）に分類し、DL手法へ対応づける。
• 前処理、格納、分析、可視化といった管理タスクと、予測、分類、推奨、推定、生成、検出といったマイニングタスクを体系的に網羅する。
• 軌跡タスクにおける foundation models および LLMs に関する最近の議論を取り入れ、関連リソースとデータセットを要約する。

実験結果

リサーチクエスチョン

• RQ1 DLベースの軌跡計算で用いられる主な形式と表現は何か？
• RQ2 深層学習モデルは軌跡管理と軌跡マイニングのタスクにどのように適用されてきたか？
• RQ3 DL4Traj のデータセットとオープンソースツールの現状はどうか、そして LLMs は軌跡計算にどのような影響を与えているか？
• RQ4 軌跡データの管理とマイニングにはどのような課題が残っており、将来どの方向性が有望か？

主な発見

• 軌跡データ形式、管理タスク、マイニングタスクを分ける統一的な分類体系を提供する。
• 軌跡管理とマイニングに適用される幅広い DL アプローチ（DL4Traj を含む初期 foundation-model 研究を含む）を網羅する。
• GPS、チェックイン、シミュレーションデータを横断するデータセットと論文を含む DL4Traj リポジトリを通じた包括的なリソース集を提供する。
• 軌跡計算の補助技術としての LLMs の出現を強調し、将来の研究方向を概説する。
• 応用シナリオ、公開データセット、およびツールキットを要約し、研究と実用展開を促進する。