.png){kind=icon}
返回
Zero-shot trajectory generation with self-supervised diffusion model
.png){kind=icon}
OA
AI
DOI：10.1007/s43762-026-00280-7.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车辆轨迹数据在现代智能交通系统中发挥着关键作用。传统的生成模型，如生成对抗网络（GANs）和变分自编码器（VAEs），通常难以准确捕捉真实场景中轨迹的分布特征。此外，传统的交通轨迹生成方法因依赖难以获取且可用性有限的实际道路网络数据而面临挑战。为解决这些问题，本研究利用监控摄像头数据与车辆轨迹之间的固有相关性，基于扩散模型开发了一种零样本轨迹生成方法（定义为在不使用任何完整单车辆轨迹标注的情况下生成有效轨迹，仅使用聚合交通流统计信息和道路网络拓扑）。我们将监控交通流分布作为条件信息，持续引导去噪过程，并采用自适应优化框架生成合规且高质量的轨迹。所有实验均在重庆大渡口区真实交通数据集上进行验证。值得注意的是，整个模型训练过程不使用任何完整单车辆轨迹标注，仅依赖聚合交通流统计信息和公开道路网络拓扑。以监控交通流数据作为输入，生成的合成轨迹不仅与真实轨迹高度吻合，还表现出相当的有效性。大量实验验证了所提方法在零样本轨迹生成任务中的有效性，在轨迹相似性和分布相似性方面均表现出优异性能。
Keyword:
Vehicle trajectory generation
Diffusion model
Adaptive optimization framework
High-dimensional space sampling
期刊
IF:
3.2
论文数:
157
被引数:
417
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容