[논문 리뷰] DiffMM: Efficient Method for Accurate Noisy and Sparse Trajectory Map Matching via One Step Diffusion

Chenxu Han, Bin Yang외 1명|arXiv (Cornell University)|2026. 01. 13.

Traffic Prediction and Management Techniques인용 수 0

한 줄 요약

DiffMM은 지도 매칭을 위한 인코더-확산 프레임워크와 한 단계 확산(지름길) 접근 방식으로, 희소한 GPS 궤적에서 최첨단 방법보다 더 높은 정확도와 효율성을 달성합니다.

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.

연구 동기 및 목표

• 노이즈가 큰 GPS 데이터와 희소 샘플링에 대한 지도 매칭의 민감도 문제를 다룬다.
• 궤적과 후보 도로 구간을 jointly 임베딩하는 인코더–확산 프레임워크를 개발한다.
• 궤적-도로 임베딩에 조건화된 효율적인 한 단계 디노이징(지름길 모델)을 가능하게 한다.
• 대규모 도시 궤적 데이터셋에서 우수한 정확도와 속도를 입증한다.

제안 방법

• 입력 궤적과 인근 후보 도로 구간을 주의(attention)로 공유 잠재공간에 함께 임베딩하는 도로 구간 인식 궤적 인코더를 제안한다.
• Δ미터 반경 전략을 채택하여 GPS 포인트마다 공간적으로 의미 있는 후보 도로 구간 집합을 형성한다.
• 디노이징을 위한 지름길 모델(DiT 백본)을 사용하여 궤적 임베딩을 조건으로 한 한 단계 확산 프로세스로 지도 매칭을 공식화한다.
• 디퓨전 디노이징을 목표로 하는 지름길 손실과 매칭 정확도를 위한 보조 크로스 엔트로피 손실을 함께 학습한다.
• 한 단계에서 조건부 분포를 생성하고 포인트당 가장 가능성이 높은 구간을 선택하여 추론한다.
• 궤적 인코더와 확산 백본의 엔드-투-엔드 학습.

실험 결과

연구 질문

• RQ1 노이즈가 크고 샘플링이 희소한 GPS 궤적에서 인코더–확산 프레임워크가 지도 매칭을 개선할 수 있는가?
• RQ2 궤적과 도로 구간의 공동 임베딩이 후보 선택과 매칭 정확도를 개선하는가?
• RQ3 한 단계 확산과 지름길 모델이 다단계 확산이나 자기회귀 디코더에 비해 충분히 경쟁력 있는 정확도와 효율성을 달성하는가?

주요 결과

방법	포르토 r=0.2	포르토 r=0.1	포르토 r=0.05	포르토 r=0.025	베이징 r=0.5	베이징 r=0.3	베이징 r=0.2	베이징 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

• DiffMM은 포르토와 베이징 데이터셋에서 서로 다른 희소도에서 최첨단 바닥선보다 정확도에서 우수하다.
• DiffMM은 바닥선보다 훨씬 빠른 추론 속도(1000 궤적당 1.18초)를 달성하고 학습 시간은 가장 빠른 방법과 대등하다.
• 변형사 Transformer 기반 포인트 표현과 주의 기반 구간 융합이 중요하고, 지름길 확산이 전통 확산보다 개선되었다는 점이 확인된다.
• 학습 데이터가 감소해도 DiffMM의 강한 정확도를 유지하여 데이터 부족에 대한 강건성을 보인다.
• 희소성 강건성: 희소한 궤적에서 DiffMM은 HMM 및 다른 바닥선에 비해 성능 저하가 덜 나타난다.