[论文解读] TraClets: Harnessing the power of computer vision for trajectory classification

Ioannis Kontopoulos, Antonios Makris+2 more|arXiv (Cornell University)|May 27, 2022

Data Management and Algorithms被引用 4

一句话总结

本文提出了一种名为TraClets的新颖轨迹分类方法，将移动对象轨迹转化为类似图像的表示形式（TraClets），以利用计算机视觉技术，特别是卷积神经网络（CNN），实现高精度分类。该方法在无需人工特征工程或轨迹分割的情况下，在多个真实世界数据集上实现了最先进性能，展示了其普遍适用性和鲁棒性，且仅需极少的超参数调优。

ABSTRACT

Due to the advent of new mobile devices and tracking sensors in recent years, huge amounts of data are being produced every day. Therefore, novel methodologies need to emerge that dive through this vast sea of information and generate insights and meaningful information. To this end, researchers have developed several trajectory classification algorithms over the years that are able to annotate tracking data. Similarly, in this research, a novel methodology is presented that exploits image representations of trajectories, called TraClets, in order to classify trajectories in an intuitive humans way, through computer vision techniques. Several real-world datasets are used to evaluate the proposed approach and compare its classification performance to other state-of-the-art trajectory classification algorithms. Experimental results demonstrate that TraClets achieves a classification performance that is comparable to, or in most cases, better than the state-of-the-art, acting as a universal, high-accuracy approach for trajectory classification.

研究动机与目标

• 解决现有轨迹分类方法依赖人工特征工程和轨迹分割的局限性。
• 探索轨迹的视觉表示是否能够通过深度学习实现高精度分类。
• 开发一种通用的、无需配置的分类方法，适用于多种轨迹数据集。
• 在真实世界数据集上，评估所提方法与最先进轨迹分类器的性能表现。
• 证明可直接将图像分类技术应用于轨迹数据的可行性。

提出的方法

• 将轨迹转化为称为TraClets的图像类似表示，其中空间坐标（纬度、经度）以及速度/加速度被编码为像素强度。
• 该方法使用基于深度学习的图像分类器，特别是卷积神经网络（CNN），将TraClets分类到预定义的轨迹类别中。
• 通过使用预训练权重初始化CNN，利用迁移学习提升性能，尤其在小数据集上表现更优。
• 通过将整个轨迹视为单一视觉输入，避免了轨迹分割和人工特征选择。
• 图像表示能够捕捉轨迹形状、速度和加速度中的视觉模式，使CNN能够自动学习判别性特征。
• 速度和加速度增量等超参数自动设定，无需人工调优。

实验结果

研究问题

• RQ1 轨迹数据能否被有效表示为图像，以利用计算机视觉技术实现高精度分类？
• RQ2 所提出的TraClets方法是否在无需人工特征工程的情况下，优于或匹配现有最先进轨迹分类算法？
• RQ3 TraClets方法在具有不同轨迹特征和类别分布的多样化数据集上是否具有鲁棒性？
• RQ4 该方法在不同领域（例如人类移动、动物、飓风）之间是否具有泛化能力，而无需重新配置？
• RQ5 当数据采样不规则、无固定时间间隔时，该方法是否仍能实现高性能？

主要发现

• 在GeoLife数据集上，TraClets实现了86.5%的最高分类准确率，在Animals数据集上达到了92.15%的准确率，优于所有其他最先进方法。
• 在Hurricanes数据集上，TraClets实现了61.84%的有竞争力准确率，尽管该数据集难度较高，但仍是所有对比方法中的最佳表现。
• 模型训练稳定，过拟合程度极低，表现为训练与验证准确率和损失曲线的一致对齐。
• 在Animals数据集上，TraClets的F1-score为0.88，在GeoLife数据集上为0.83，表明其在视觉上差异明显的轨迹类别上表现强劲。
• 在Hurricanes数据集上，F1-score下降至0.26，反映出区分飓风类别在轨迹模式上视觉差异较小所带来的挑战。
• 该方法无需人工配置速度或加速度增量，证实了其通用性以及对超参数调优的低依赖性。