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
- Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - 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) - Individual Mobility Prediction via Attentive Marked Temporal Point
Processes [4.221871357181261]
本研究では,人体移動をモデル化し,旅行コスト(t,o,d)を共同で予測する点プロセスに基づく新しいモデルを提案する。
2つの大都市旅行データセットの実験結果から,ATTPPの優れた性能が示された。
論文 参考訳(メタデータ) (2021-09-06T19:55:42Z) - 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) - Comparing merging behaviors observed in naturalistic data with behaviors
generated by a machine learned model [4.879725885276143]
道路走行を事例として検討し,2つの慣れ親しんだ行動現象の存在を定量的に示すための指標を提案する。
最先端機械学習モデルの出力に全く同じ測定値を適用することで、モデルは前者の現象を再現できるが後者は再現できないことを示した。
論文 参考訳(メタデータ) (2021-04-21T12:31:29Z) - 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) - 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。