論文の概要: DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis
- arxiv url: http://arxiv.org/abs/2003.01351v1
- Date: Tue, 3 Mar 2020 06:09:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 22:00:01.203102
- Title: DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis
- Title(参考訳): DETECT: 移動行動分析のための深部軌道クラスタリング
- Authors: Mingxuan Yue, Yaguang Li, Haoze Yang, Ritesh Ahuja, Yao-Yi Chiang,
Cyrus Shahabi
- Abstract要約: 我々は,Deep Embedded TrajEctor ClusTering Network (DETECT)と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。
DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性から派生した文脈で拡張することで軌道を変換する。
第2部では、潜在行動空間におけるトラジェクトリの強力な表現を学び、これによりクラスタリング関数(例えば$k$means)を適用できる。
- 参考スコア(独自算出の注目度): 10.335486459171992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying mobility behaviors in rich trajectory data is of great economic
and social interest to various applications including urban planning, marketing
and intelligence. Existing work on trajectory clustering often relies on
similarity measurements that utilize raw spatial and/or temporal information of
trajectories. These measures are incapable of identifying similar moving
behaviors that exhibit varying spatio-temporal scales of movement. In addition,
the expense of labeling massive trajectory data is a barrier to supervised
learning models. To address these challenges, we propose an unsupervised neural
approach for mobility behavior clustering, called the Deep Embedded TrajEctory
ClusTering network (DETECT). DETECT operates in three parts: first it
transforms the trajectories by summarizing their critical parts and augmenting
them with context derived from their geographical locality (e.g., using POIs
from gazetteers). In the second part, it learns a powerful representation of
trajectories in the latent space of behaviors, thus enabling a clustering
function (such as $k$-means) to be applied. Finally, a clustering oriented loss
is directly built on the embedded features to jointly perform feature
refinement and cluster assignment, thus improving separability between mobility
behaviors. Exhaustive quantitative and qualitative experiments on two
real-world datasets demonstrate the effectiveness of our approach for mobility
behavior analyses.
- Abstract(参考訳): 豊かな軌跡データにおける移動行動の同定は、都市計画、マーケティング、インテリジェンスなど様々な用途において経済的、社会的に大きな関心を持つ。
軌道クラスタリングに関する既存の研究は、しばしば軌道の生の空間的および/または時間的情報を利用する類似度測定に依存している。
これらの測定は、時空間の異なる動き尺度を示す同様の動きの挙動を識別することができない。
さらに、大量の軌道データをラベル付けする費用は、教師あり学習モデルの障壁となる。
これらの課題に対処するために,Deep Embedded TrajEctory ClusTering Network (DETECT) と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。
DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性(例えば、ガゼッタのPOIを使用して)から派生した文脈で拡張することで軌道を変換する。
第2部では、潜在的な動作空間における軌道の強力な表現を学習し、クラスタ関数($k$-means など)を適用可能にする。
最後に、クラスタリング指向の損失が組み込み機能に直接組み込まれ、機能改善とクラスタ割り当てを共同で行うことにより、モビリティ動作間の分離性が向上する。
実世界の2つのデータセットの定量的および定性的実験により,移動行動解析における我々のアプローチの有効性が示された。
関連論文リスト
- Cross-Cluster Shifting for Efficient and Effective 3D Object Detection
in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。
我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。
我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文 参考訳(メタデータ) (2024-03-10T10:36:32Z) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2023-06-05T04:24:11Z) - Motion-Scenario Decoupling for Rat-Aware Video Position Prediction:
Strategy and Benchmark [49.58762201363483]
本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。
本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。
難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
論文 参考訳(メタデータ) (2023-05-17T14:14:31Z) - Clustering Human Mobility with Multiple Spaces [8.076957089365676]
本稿では,移動行動検出のための新しいモビリティクラスタリング手法を提案する。
提案手法は変分オートエンコーダアーキテクチャを用いて,潜在空間と原空間の両方でクラスタリングを同時に行う。
実験の結果,提案手法はトラジェクトリからの移動行動検出において,より精度が高く,解釈性も向上した。
論文 参考訳(メタデータ) (2023-01-20T12:02:30Z) - A Semi-supervised Approach for Activity Recognition from Indoor
Trajectory Data [0.822021749810331]
協調生産環境において, 騒音の多い室内軌道データから移動物体の動作を分類する作業について検討する。
本稿では,まず情報理論の基準を適用し,長い軌道をセグメントに分割する半教師付き機械学習手法を提案する。
セグメントは制約付き階層的クラスタリング法に基づいて自動的にラベル付けされる。
論文 参考訳(メタデータ) (2023-01-09T01:20:50Z) - Estimator: An Effective and Scalable Framework for Transportation Mode
Classification over Trajectories [22.704053034976784]
本稿では,GPS トラジェクトリを用いた移動モード分類のための効果的でスケーラブルなフレームワーク Estimator を提案する。
推定器は交通条件に応じて交通空間全体を空間領域に分割し,スケーラビリティを著しく向上させる。
Estimatorはより優れたモデルの有効性(精度99%、F1スコア0.98)を実現し、最先端の学習手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-12-11T13:32:49Z) - DouFu: A Double Fusion Joint Learning Method For Driving Trajectory
Representation [13.321587117066166]
軌道表現型共同学習のための新しい多モード融合モデルDouFuを提案する。
まず、軌道データと都市機能ゾーンから生成された動き、経路、グローバルな特徴を設計する。
グローバルなセマンティック機能により、DouFuは各行に対して包括的な埋め込みを生成する。
論文 参考訳(メタデータ) (2022-05-05T07:43:35Z) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳(メタデータ) (2022-03-30T03:54:11Z) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳(メタデータ) (2021-11-29T18:59:09Z) - AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。
本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
論文 参考訳(メタデータ) (2021-01-03T15:45:35Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。