論文の概要: Routine pattern discovery and anomaly detection in individual travel behavior

• arxiv url: http://arxiv.org/abs/2004.03481v1
• Date: Sun, 5 Apr 2020 14:28:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 08:27:20.880274
• Title: Routine pattern discovery and anomaly detection in individual travel behavior
• Title（参考訳）: 旅行行動における経路パターンの発見と異常検出
• Authors: Lijun Sun, Xinyu Chen, Zhaocheng He and Luis F. Miranda-Moreno
• Abstract要約: 個別の時間的旅行行動データをモデル化する確率的枠組みを構築した。 実世界のライセンスプレート認識(LPR)データセットにおける提案手法の有効性を実証する。 この種のパターン発見および異常検出アプリケーションは、交通監視、法執行、個人旅行行動プロファイリングに有用な洞察を提供することができる。
• 参考スコア（独自算出の注目度）: 14.490713382567073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering patterns and detecting anomalies in individual travel behavior is a crucial problem in both research and practice. In this paper, we address this problem by building a probabilistic framework to model individual spatiotemporal travel behavior data (e.g., trip records and trajectory data). We develop a two-dimensional latent Dirichlet allocation (LDA) model to characterize the generative mechanism of spatiotemporal trip records of each traveler. This model introduces two separate factor matrices for the spatial dimension and the temporal dimension, respectively, and use a two-dimensional core structure at the individual level to effectively model the joint interactions and complex dependencies. This model can efficiently summarize travel behavior patterns on both spatial and temporal dimensions from very sparse trip sequences in an unsupervised way. In this way, complex travel behavior can be modeled as a mixture of representative and interpretable spatiotemporal patterns. By applying the trained model on future/unseen spatiotemporal records of a traveler, we can detect her behavior anomalies by scoring those observations using perplexity. We demonstrate the effectiveness of the proposed modeling framework on a real-world license plate recognition (LPR) data set. The results confirm the advantage of statistical learning methods in modeling sparse individual travel behavior data. This type of pattern discovery and anomaly detection applications can provide useful insights for traffic monitoring, law enforcement, and individual travel behavior profiling.
• Abstract（参考訳）: 個々の旅行行動におけるパターンの発見と異常の検出は、研究と実践の両方において重要な問題である。 本稿では,個々の時空間旅行行動データ(旅行記録や軌道データなど)をモデル化する確率的枠組みを構築し,この問題に対処する。 本研究では,各旅行者の時空間旅行記録の生成機構を特徴付ける2次元潜在ディリクレアロケーション(LDA)モデルを開発した。 このモデルは空間次元と時間次元の2つの異なる因子行列を導入し、個々のレベルで2次元コア構造を用いて結合相互作用と複雑な依存関係を効果的にモデル化する。 このモデルでは, 空間的, 時間的両方の移動行動パターンを, 教師なしの方法で効率的に要約することができる。 このように、複雑な旅行行動は、代表パターンと解釈可能な時空間パターンの混合としてモデル化することができる。 トラベラーの将来の時空間記録に訓練されたモデルを適用することで、パープレキシティを用いてそれらの観察をスコア付けすることで、彼女の行動異常を検出できる。 本稿では,実世界ライセンスプレート認識(lpr)データセット上で提案手法の有効性を示す。 その結果,各旅行行動データのモデリングにおける統計的学習手法の利点が確認できた。 この種のパターン発見および異常検出アプリケーションは、交通監視、法執行、個人旅行行動プロファイリングに有用な洞察を提供することができる。

関連論文リスト

• Uncertainty-aware Human Mobility Modeling and Anomaly Detection [28.311683535974634]
  本研究では,効率的な異常検出に向けて,人間のエージェントの移動行動のモデル化方法について検討する。 我々はGPSデータを時系列の静止点イベントとして使用し、それぞれに時間的特徴を特徴付ける。 数万のエージェントによる大規模専門家シミュレーションデータセットの実験は、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2024-10-02T06:57:08Z)
• Trajectory Anomaly Detection with Language Models [21.401931052512595]
  本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。 トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。 本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
  論文  参考訳（メタデータ） (2024-09-18T17:33:31Z)
• Discovering Dynamic Patterns from Spatiotemporal Data with Time-Varying Low-Rank Autoregression [12.923271427789267]
  低ランクテンソル因子化により係数がパラメータ化される時間還元ベクトル自己回帰モデルを開発した。 時間的文脈において、複雑な時間変化系の挙動は、提案モデルにおける時間的モードによって明らかにすることができる。
  論文  参考訳（メタデータ） (2022-11-28T15:59:52Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
  本稿では,ビデオ監視における異常検出問題に対処する。 異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。 我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
  論文  参考訳（メタデータ） (2022-03-07T19:28:39Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)
• Deep dynamic modeling with just two time points: Can we still allow for individual trajectories? [0.0]
  疫学コホート研究や臨床登録では、縦断的生医学データはしばしばスパースタイムグリッドによって特徴づけられる。 ディープラーニングと動的モデリングを組み合わせた最近の進歩から着想を得て,そのような手法が複雑な構造を明らかにするのに有用かどうかを考察する。 このような動的ディープラーニングアプローチは、極端に小さなデータ設定でも有用であるが、慎重に適応する必要がある。
  論文  参考訳（メタデータ） (2020-12-01T16:58:02Z)
• Deep Multi-Shot Network for modelling Appearance Similarity in Multi-Person Tracking applications [0.0]
  本稿では、人の観察における外観類似度(MS-DoAS)の測定のためのディープマルチショットニューラルモデルを提案する。 モデルは故意に訓練され、以前のアイデンティティスイッチの存在を管理し、処理されたトラックでの観察を見逃すことができる。 これは、新しい観測が特定の軌道に対応するときの識別能力の高さを示し、ハードテストで97%の分類精度を達成している。
  論文  参考訳（メタデータ） (2020-04-07T16:43:35Z)

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。