文章 "交易中的神经网络：统一轨迹生成模型（UniTraj）" 新评论 MetaQuotes 2025.05.16 07:45 新文章 交易中的神经网络：统一轨迹生成模型（UniTraj）已发布： 理解个体在众多不同领域的行为很重要，但大多数方法只专注其中一项任务（理解、噪声消除、或预测），这会降低它们在现实中的有效性。在本文中，我们将领略一个可以适配解决各种问题的模型。 针对多个体行为的分析在各个领域都扮演着至关重要的角色，包括金融、智驾、和监控系统。理解个体动作需要解决若干关键任务：对象跟踪、识别、轨迹建模、和动作识别。这些当中，轨迹建模在分析个体走势的过程中尤为重要。尽管环境动态学与个体微妙互动的相关性极其复杂，但近期在解决这个问题方面取得了重大进展。主要成就集中在三个关键领域：轨迹预测、缺失数据恢复、和时空建模。 不过，大多数方式仍然专门针对特定任务。这令它们很难普适到其它问题。有些任务需要前向和后向时空依赖性，这在面向预测的模型中往往被忽视。而一些算法已经成功地解决了多个体轨迹的条件计算，但在审计未来的轨迹时它们频繁失误。这种限制降低了它们在充分理解走势方面的实际适用性，其中预测未来轨迹对于规划后续行动至关重要，而非仅仅重造过去的轨迹。 论文 “解密运动：多智能体的统一轨迹生成模型” 提出了统一轨迹生成 （UniTraj） 模型，这是一个将各种与轨迹相关的任务集成到一个统一方案中的通用框架。具体来说，作者将不同类型的输入数据合并为单一的统一格式：一条任意不完整轨迹，带有一个蒙版，指示每名个体在每个时间步的可见性。该模型将所有任务输入统筹为蒙版轨迹，旨在基于不完整轨迹生成完整的轨迹。 为了对不同轨迹表示中的时空依赖关系进行建模，作者引入了 Ghost Spatial Masking （GSM） 模块，该模块嵌入在基于 Transformer 的编码器中。利用最近流行的状态空间模型 （SSM），特别是 Mamba 模型的功能，作者将其改编并增强为双向时间编码器 Mamba，用于长期多代理轨迹生成。此外，他们还提出了一个简单而有效的双向时间缩放 （BTS） 模块，该模块可以全面扫描轨迹，同时保留序列内的时间关系。论文中阐述的实验结果确认了拟议方法的稳健性和卓越性能。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 交易中的神经网络：统一轨迹生成模型（UniTraj）已发布：
针对多个体行为的分析在各个领域都扮演着至关重要的角色，包括金融、智驾、和监控系统。理解个体动作需要解决若干关键任务：对象跟踪、识别、轨迹建模、和动作识别。这些当中，轨迹建模在分析个体走势的过程中尤为重要。尽管环境动态学与个体微妙互动的相关性极其复杂，但近期在解决这个问题方面取得了重大进展。主要成就集中在三个关键领域：轨迹预测、缺失数据恢复、和时空建模。
不过，大多数方式仍然专门针对特定任务。这令它们很难普适到其它问题。有些任务需要前向和后向时空依赖性，这在面向预测的模型中往往被忽视。而一些算法已经成功地解决了多个体轨迹的条件计算，但在审计未来的轨迹时它们频繁失误。这种限制降低了它们在充分理解走势方面的实际适用性，其中预测未来轨迹对于规划后续行动至关重要，而非仅仅重造过去的轨迹。
论文 “解密运动：多智能体的统一轨迹生成模型” 提出了统一轨迹生成 （UniTraj） 模型，这是一个将各种与轨迹相关的任务集成到一个统一方案中的通用框架。具体来说，作者将不同类型的输入数据合并为单一的统一格式：一条任意不完整轨迹，带有一个蒙版，指示每名个体在每个时间步的可见性。该模型将所有任务输入统筹为蒙版轨迹，旨在基于不完整轨迹生成完整的轨迹。
为了对不同轨迹表示中的时空依赖关系进行建模，作者引入了 Ghost Spatial Masking （GSM） 模块，该模块嵌入在基于 Transformer 的编码器中。利用最近流行的状态空间模型 （SSM），特别是 Mamba 模型的功能，作者将其改编并增强为双向时间编码器 Mamba，用于长期多代理轨迹生成。此外，他们还提出了一个简单而有效的双向时间缩放 （BTS） 模块，该模块可以全面扫描轨迹，同时保留序列内的时间关系。论文中阐述的实验结果确认了拟议方法的稳健性和卓越性能。
作者：Dmitriy Gizlyk