![MQL5 - Язык торговых стратегий для клиентского терминала MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Нейросети в трейдинге: Универсальная модель генерации траекторий (UniTraj):
Понимание поведения агентов важно в разных областях, но большинство методов фокусируются на одной задаче (понимание, удаление шума, прогнозирование), что снижает их эффективность в реальных сценариях. В данной статье я предлагаю познакомиться с моделью, которая способна адаптироваться к решению различных задач.
Анализ поведения нескольких агентов имеет огромное значение в разнообразных сферах, таких как финансы, автономное вождение и системы видеонаблюдения. Для понимания действий агентов необходимо решить ряд ключевых задач: отслеживание объектов, их идентификация, моделирование траекторий и распознавание действий. Моделирование траекторий играет важную роль в процессе анализа движений агентов. Несмотря на сложности, связанные с динамикой среды и тонкими взаимодействиями между агентами, недавно был достигнут значительный прогресс в решении этой задачи. Основные достижения сосредоточены в трех ключевых направлениях: прогнозирование траекторий, восстановление пропущенных данных и пространственно-временное моделирование.
Однако большинство подходов являются специализированными для конкретных задач. И их трудно обобщить до решения других задач. Решение одних задач требует использования как прямых, так и обратных пространственно-временных зависимостей, которые обычно не рассматриваются в моделях, ориентированных на прогнозирование. Другие алгоритмы решили проблему условного расчета многоагентных траекторий, но часто упускают из виду будущие траектории агентов. Что ограничивает их практическую полезность в полном понимании движения, где прогнозирование будущих траекторий имеет решающее значение для планирования последующих этапов, а не просто для реконструкции исторических траекторий.
В статье "Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent" представлена универсальная модель Unified TrajectoryGeneration (UniTraj), которая интегрирует различные задачи работы с траекториями в общую схему. В частности, авторы метода объединяют разные типы исходных данных в единую унифицированную форму: произвольную неполную траекторию с маской, которая указывает на видимость каждого агента на каждом временном шаге. Модель равномерно обрабатывает исходные данные каждой задачи в виде замаскированных траекторий, стремясь создать полные траектории на основе незавершенных.
Для моделирования пространственно-временных зависимостей в различных представлениях траекторий авторы метода предложили модуль Ghost Spatial Masking (GSM), встроенный в кодировщик на основе Transformer. Используя возможности последних популярных моделей пространства состояний (SSM), особенно модели Mamba, авторы метода адаптируют и улучшают ее в двунаправленный темпоральный кодировщик Mamba для долгосрочной генерации многоагентных траекторий. Кроме того, они предложили простой, но эффективный модуль Bidirectional Temporal Scaled (BTS), который всесторонне сканирует траектории, сохраняя при этом целостность временных отношений в последовательности. Представленные в авторской статье результаты экспериментов подтверждают стабильную и исключительную производительность предложенного метода.
Автор: Dmitriy Gizlyk