基于渐进分块Transformer的稀疏噪声GPS轨迹重建：提升长时距轨迹恢复效率与精度新方法

为解决稀疏噪声GPS数据下轨迹重建存在的计算复杂度高、误差累积及长时距轨迹恢复困难等问题，研究人员开展了渐进分块Transformer（ProChunkFormer）模型研究。该研究通过分块处理与自注意力机制结合，实现了端到端的轨迹重建，在240秒长采样间隔下准确率提升23.1%，F1分数提高18.6%，显著优于自回归Transformer模型，且运行效率更高，为城市交通规划与导航系统提供了高效解决方案。

　　

随着全球定位系统（GPS）、雷达和摄像头等监测设备的快速发展，从车辆和道路收集的数据日益增多，这使得追踪道路使用者的轨迹以实现交通预测和旅行时间估计等应用成为可能。然而，收集到的轨迹数据存在两个主要问题：首先，由于卫星信号误差、环境因素和人为错误等原因，轨迹数据常常包含噪声，例如GPS轨迹点可能位于道路范围之外；其次，出于隐私协议或减少技术资源的考虑，许多组织（如出租车和共享单车运营商）并不发布完整的轨迹数据，通常只报告行程开始和结束时的状态，此外还存在低采样率问题，导致连续采样点之间的距离较远。因此，大多数现有方法难以有效利用这些轨迹，因为存在噪声和不确定性问题。

为了更有效地支持城市应用，研究人员提出了许多轨迹重建方法，旨在从噪声和不完整数据中重建真实轨迹。早期研究通常将过程分为两个阶段：首先在稀疏采样轨迹之间插值点以减少不确定性，然后采用隐马尔可夫模型（HMM）地图匹配技术将完整轨迹映射到道路上。尽管这种两阶段解决方案可以产生良好的结果并提供一定程度的可解释性，但可能存在误差累积的问题。近年来，多任务学习模型被提出以端到端的方式解决这个问题，同时预测道路段和移动比例，直接得到地图匹配的轨迹。然而，现有模型在处理稀疏输入数据和超长目标序列时面临显著挑战，限制了它们在实际场景中的有效性。

为了应对这些挑战，研究人员开发了一种渐进分块Transformer（ProChunkFormer），用于轨迹重建。与传统的两阶段方法不同，该框架采用多任务学习策略直接预测地图匹配的轨迹。通过将这些过程集成到端到端架构中，ProChunkFormer有效消除了中间误差传播，确保了更鲁棒和准确的重建。ProChunkFormer的关键创新在于其分块处理策略，将长噪声轨迹划分为更小、更易管理的段。这种分段缓解了传统基于Transformer的关注机制中固有的二次复杂度增长，从而在处理长序列时提高了计算效率。此外，由于每个段可以独立处理，该设计自然支持并行计算，显著提高了效率和可扩展性。通过将误差累积局部化到各个段中，并防止局部不准确性在整个序列中传播，这种方法提高了稀疏轨迹数据的重建准确性。

该研究还结合了启发式先验知识，以进一步提高重建准确性。具体来说，它利用连续记录点之间的最短路径作为辅助信息，利用道路网络拓扑来细化轨迹估计。这种深度学习与结构化启发式的结合有助于减少稀疏采样引入的不确定性，确保更可靠和上下文感知的重建。通过平衡效率、准确性和可解释性，ProChunkFormer为实际应用中的低密度GPS轨迹重建提供了可扩展和实用的解决方案。

研究人员采用了渐进分块Transformer架构，结合自注意力机制和多任务学习解码器，实现了端到端的轨迹重建。关键方法包括分块处理策略，将长轨迹划分为多个块并行处理；启发式信息集成，如利用最短路径作为先验知识；以及多任务损失函数，结合交叉熵损失和均方根误差（RMSE）来优化模型性能。实验使用葡萄牙波尔图的公开出租车轨迹数据集，通过下采样模拟稀疏条件，并将数据按7:2:1的比例分为训练、验证和测试集。

研究结果显示，ProChunkFormer在长采样间隔下显著优于传统方法。在240秒间隔下，准确率提升23.1%，F1分数提高18.6%，平均绝对误差（MAE）和道路网络平均绝对误差（MAE_RN）分别降低22.3%和25.1%。此外，分块处理提高了计算效率，运行时间比自回归Transformer减少13.9%至20.7%。启发式信息的加入加快了模型收敛速度，尽管对最终性能提升不明显。分块大小和数量的优化实验表明，不同采样间隔下存在最佳配置，进一步验证了方法的灵活性。

研究表明，ProChunkFormer通过分块处理和启发式信息集成，有效解决了长时距轨迹重建中的误差累积和计算复杂度问题。该方法不仅提高了重建准确性，还显著提升了运行效率，为城市交通管理和智能导航系统提供了可靠的技术支持。未来工作可进一步探索其他启发式信息类型和集成方法，以及优化Transformer结构以进一步提高效率。