NLP-enabled trajectory map-matching in urban road networks using transformer sequence-to-sequence model

连接车辆获取的大规模地理定位遥测数据具有显著提升智能城市内的移动基础设施和运营系统的潜力。为了有效利用这些数据，必须准确匹配地理定位数据和道路段。然而，由于低采样率和城市环境中的多径效应加剧了误差，这种匹配通常并不容易。传统上，统计建模技术，如将领域知识纳入匹配过程的隐马尔可夫模型，已广泛用于地图匹配任务。然而，基于规则的地图匹配任务对噪声敏感，在处理大规模轨迹数据时效率低下。深度学习技术直接从数据中学习观察数据和道路网络之间的关系，通常不需要手工制作规则或领域知识。这使它们成为地图匹配大规模数据集的高效方法，并使其更具鲁棒性。本文介绍了一种序列到序列的深度学习模型，具体是基于transformer的编码器-解码器模型，作为地图匹配算法的替代品。编码器-解码器架构最初将一系列嘈杂的GPS点编码为自动捕捉自回归行为和GPS点之间的空间相关性的表示形式。随后，解码器将数据点与道路网络特征相关联，从而将这些表示转换为一系列道路段。该模型使用在纽约曼哈顿收集的GPS轨迹进行训练和评估。在达到76％的准确率时，基于transformer的编码器-解码器模型在自然语言处理中广泛使用，为将嘈杂的GPS数据转换为城市道路网络中的导航路线提供了有希望的性能。

如何利用大规模地理定位遥测数据来提高智能城市的移动基础设施和运营系统？如何将地理定位数据准确匹配到道路段？

使用基于Transformer的编码器-解码器模型来作为地图匹配算法的代替方案，直接从数据中学习观察数据和道路网络之间的关系，从而更加高效和稳健地进行大规模轨迹数据的地图匹配。

论文使用了在自然语言处理中广泛应用的Transformer-based编码器-解码器模型来进行地图匹配，实验使用了在纽约曼哈顿收集的GPS轨迹数据，取得了76%的准确率。这种基于深度学习的地图匹配方法不需要手工制定规则或领域知识，更加高效和稳健。

在地图匹配领域，传统的基于统计建模的方法如隐马尔可夫模型已经被广泛使用，但是这种方法对噪声敏感，处理大规模轨迹数据效率低下。最近的研究中，使用深度学习方法进行地图匹配的研究逐渐增多，如基于卷积神经网络的方法、循环神经网络的方法等。