Recuperação de Trajetória Profunda com Calibração Detalhada usando Filtro de Kalman

Com o desenvolvimento de tecnologias de aquisição de localização, há um enorme número de trajetórias móveis geradas e acumuladas em uma variedade de domínios. No entanto, devido às limitações do dispositivo e do ambiente, muitas trajetórias são registradas a uma baixa taxa de amostragem, o que aumenta a incerteza entre dois pontos amostrados consecutivos nas trajetórias. Nossa tarefa é recuperar uma trajetória de alta amostragem com base na trajetória irregular de baixa amostragem em espaço livre, ou seja, sem informações de rede viária. Existem dois grandes problemas com as soluções tradicionais. Primeiro, muitos desses métodos dependem de algoritmos de busca heurística ou modelos probabilísticos simples. Eles não conseguem capturar bem as dependências sequenciais complexas ou as correlações globais dos dados. Segundo, para reduzir a complexidade preditiva das coordenadas numéricas irrestritas, a maioria dos estudos anteriores adotou uma estratégia comum de pré-processamento mapeando o espaço em unidades discretas. Como efeito colateral, o uso de unidades discretas é suscetível a introduzir ruído ou informações imprecisas. Portanto, é necessário um passo de pós-calibração fundamentado para produzir resultados precisos, o que raramente foi estudado pelos métodos existentes. Para abordar as dificuldades acima, propomos um novo modelo de Recuperação de Trajetória Híbrida Profunda, chamado DHTR. Nosso modelo de recuperação estende a estrutura clássica de geração sequência-para-sequência implementando um modelo de recuperação subsequência-para-sequência adaptado para a tarefa atual, chamado subseq2seq. Para capturar efetivamente correlações espaço-temporais, adotamos tanto atenções espaciais quanto temporais para melhorar o desempenho do modelo. Com os mecanismos de atenção, nosso modelo é capaz de caracterizar correlações de longo alcance entre os pontos da trajetória. Além disso, integramos o subseq2seq com um componente de calibração do filtro de Kalman (KF) para reduzir a incerteza preditiva. Em cada intervalo de tempo, as previsões ruidosas do componente subseq2seq serão alimentadas no componente KF para calibração, e então as previsões refinadas serão encaminhadas ao componente subseq2seq para o cálculo do próximo intervalo de tempo. Resultados extensivos em conjuntos de dados do mundo real mostraram a superioridade do modelo proposto tanto em desempenho quanto em interpretabilidade.