[论文解读] 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 0

一句话总结

DiffMM 引入了一个带有一步扩散（快捷方式）的方法的编码器–扩散框架，用于地图匹配，在稀疏 GPS 轨迹上比最先进方法具有更高的准确性和效率。

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.

研究动机与目标

• 解决地图匹配对嘈杂 GPS 数据和稀疏采样的敏感性。
• 开发一个编码器–扩散框架，将轨迹和候选道路段共同嵌入一个共享潜在空间。
• 实现高效的一步去噪（快捷模型），由轨迹-道路嵌入条件化。
• 在大规模城市轨迹数据集上证明更高的准确性和速度。

提出的方法

• 提出一个道路段感知的轨迹编码器，通过注意力将输入轨迹和附近的候选道路段共同嵌入到共享潜在空间。
• 采用 delta-meter 半径策略为每个 GPS 点形成一个在空间上有意义的候选道路段集合。
• 将地图匹配表述为在轨迹嵌入条件化下的一步扩散过程，使用快捷模型（DiT 主干）进行去噪。
• 用一个快捷损失来训练，目标是扩散去噪，并使用辅助的交叉熵损失来提升匹配精度。
• 推理时在单步中生成条件分布并为每个点选择最可能的道路段。
• 端到端训练轨迹编码器和扩散主干。

实验结果

研究问题

• RQ1 编码器–扩散框架是否能够在嘈杂且稀疏采样的 GPS 轨迹下改善地图匹配？
• RQ2 联合轨迹和道路段嵌入是否能改善候选集合的选择和匹配精度？
• RQ3 一步扩散配合快捷模型是否足以在与多步扩散或自回归解码器相比时实现具竞争力或更高的准确性与效率？

主要发现

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 在 Porto 和 Beijing 数据集的不同稀疏度水平下的准确性上优于最先进基线。
• DiffMM 的推理速度显著更快（每 1000 条轨迹 1.18 秒），训练时间与最快方法相当。
• 消融研究表明基于 Transformer 的点表示和基于注意力的段融合至关重要，快捷扩散相较于传统扩散有改进。
• 即使在训练数据减少时，DiffMM 仍保持较强的准确性，表明对数据稀缺具有鲁棒性。
• 稀疏鲁棒性：与 HMM 等基线相比，DiffMM 在轨迹越稀疏时的性能衰减更小。