基于路边单元感知的多粒度轨迹恢复（RSUTrajRec）：提升智能交通系统精度的新策略

《Expert Systems with Applications》：RSUTrajRec: Multi-Granularity Trajectory Recovery Based on Roadside Units Sensing

本综述系统探讨了利用路边单元（RSU）感知技术实现多粒度车辆轨迹恢复的创新框架RSUTrajRec。研究通过图神经网络（GNN）和Transformer模型，有效解决了传统轨迹恢复中隐私保护不足与精度低的问题，为智能交通系统（ITS）和城市规划提供了高精度、高覆盖率的轨迹数据支持。实验证明，优化RSU部署可显著提升恢复性能，具有重要应用价值。

　　

Section Snippets

Trajectory Recovery

当前轨迹恢复任务旨在将低采样轨迹恢复为高采样轨迹。传统方法依赖于概率模型或启发式算法。例如，Wu等人（2016）提出了一种基于时空约束的纯概率模型用于路径恢复，该方法简单高效但无法建模序列的依赖关系。随着序列到序列（seq2seq）方法的提出，它为轨迹恢复问题带来了新的机遇。

Preliminaries

我们首先提供一些基本定义和需要解决问题的陈述。

Method

为解决从部分观测轨迹恢复完整轨迹的问题，我们提出了RSUTrajRec。与相关研究类似，我们同样采用基于seq2seq的方法（如Transformer）作为解决方案的基础，因为本质上输入和输出仍是轨迹序列。不同之处在于，传统轨迹恢复范式中虽然原始轨迹可能稀疏，但不会出现长段轨迹完全缺失的情况。

Dataset

我们在来自滴滴出行Gaia计划的大规模真实GPS轨迹数据集上验证模型，并结合OpenStreetMap的道路网络。该数据集包含滴滴在成都的多样化合约车辆（包括网约车和出租车）的轨迹。研究聚焦于城市三环路内的主要城区，覆盖约100 km²区域，如图6所示。数据采集自...

Conclusion

总之，本研究提出了一种基于RSU感知的新型轨迹恢复框架RSUTrajRec。通过利用图神经网络，RSUTrajRec有效整合道路信息并提供准确的轨迹嵌入。基于这些嵌入，RSUTrajRec设计了一种多粒度轨迹生成器，在保持粗粒度轨迹预测高精度的同时，提升了细粒度轨迹的预测准确性。大量实验...

CRediT Authorship Contribution Statement

Xianjing Wu： 撰写-审阅和编辑、初稿、可视化、验证、软件、资源、方法、调研、形式分析、数据管理、概念化、资金获取。Xutao Chu： 撰写-审阅和编辑、可视化、验证、软件。Jianyu Wang： 调研、撰写-审阅和编辑、概念化。Shengjie Zhao： 监督、资源、项目管理、资金获取、概念化。

Declaration of Competing Interest

作者声明不存在已知可能影响本研究的财务利益或个人关系。