[论文解读] T-CONV: A Convolutional Neural Network For Multi-scale Taxi Trajectory Prediction

Jianming Lv, Qing Li+1 more|arXiv (Cornell University)|Nov 23, 2016

Human Mobility and Location-Based Analysis参考文献 15被引用 8

一句话总结

T-CONV 提出了一种卷积神经网络，将出租车轨迹建模为二维图像以捕捉多尺度空间模式，从而提高目的地预测的准确性。通过使用多层卷积神经网络和局部增强场，其在真实轨迹数据上的表现优于当前最先进的方法。

ABSTRACT

Precise destination prediction of taxi trajectories can benefit many intelligent location based services such as accurate ad for passengers. Traditional prediction approaches, which treat trajectories as one-dimensional sequences and process them in single scale, fail to capture the diverse two-dimensional patterns of trajectories in different spatial scales. In this paper, we propose T-CONV which models trajectories as two-dimensional images, and adopts multi-layer convolutional neural networks to combine multi-scale trajectory patterns to achieve precise prediction. Furthermore, we conduct gradient analysis to visualize the multi-scale spatial patterns captured by T-CONV and extract the areas with distinct influence on the ultimate prediction. Finally, we integrate multiple local enhancement convolutional fields to explore these important areas deeply for better prediction. Comprehensive experiments based on real trajectory data show that T-CONV can achieve higher accuracy than the state-of-the-art methods.

研究动机与目标

• 解决一维轨迹建模的局限性，即无法捕捉如拐角和蜿蜒等丰富的二维空间模式。
• 通过利用不同空间粒度下的多尺度空间特征，提升预测准确性。
• 可视化并识别对目的地预测影响最大的关键轨迹区域，尤其是起点和终点附近区域。
• 通过聚焦关键局部区域的局部卷积场来提升模型性能。
• 在真实世界出租车轨迹数据集上，证明其性能优于现有方法。

提出的方法

• 通过将GPS坐标离散化为空间单元格，将出租车轨迹建模为二维网格图像。
• 应用多层卷积神经网络（CNN）从二维轨迹图像中提取分层的多尺度空间模式。
• 使用梯度分析可视化并解释哪些空间区域和尺度对预测决策贡献最大。
• 引入局部增强卷积场，聚焦于高影响力轨迹段，特别是起点和终点附近区域。
• 使用监督学习进行模型训练，以Haversine距离作为损失函数，以最小化预测误差。
• 优化超参数，如网格大小（M）和单元格宽度（W），以在空间分辨率和鲁棒性之间取得平衡。

实验结果

研究问题

• RQ1 将轨迹建模为二维图像是否能相比一维序列建模更有效地捕捉空间模式？
• RQ2 不同空间尺度如何贡献于准确的目的地预测？多尺度特征能否被有效结合？
• RQ3 轨迹的哪些区域（例如起点、中间、终点）对目的地预测具有最大影响？
• RQ4 对关键轨迹段进行局部增强是否能提升预测准确性？
• RQ5 模型对空间离散化参数（M 和 W）的变化有多大的鲁棒性？

主要发现

• T-CONV 在真实轨迹数据上的目的地预测准确率优于基线模型，包括MLP、RNN、双向RNN和记忆网络。
• T-CONV-LE（局部增强变体）的预测误差显著低于T-CONV-Basic，证明聚焦关键轨迹区域具有重要价值。
• 梯度可视化结果表明，低层卷积层捕捉小尺度模式（如局部转弯），而高层网络则将这些模式组合成大尺度运动趋势。
• 模型对超参数变化表现出鲁棒性：在不同细胞宽度（W）和网格大小（M）下，预测误差保持稳定。
• 随着观测轨迹逐渐接近目的地，预测准确率持续提升，表明模型有效学习了时间和空间依赖性。
• 通过有针对性的卷积场强调信息丰富的局部区域，模型有效缓解了轨迹数据中的稀疏性问题。