論文の概要: Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification
- arxiv url: http://arxiv.org/abs/2007.08687v1
- Date: Thu, 16 Jul 2020 23:25:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 22:48:22.516970
- Title: Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification
- Title（参考訳）: 移動モード分類のための正規パターン遷移グラフの自己遷移確率の活用
- Authors: I. Cardoso-Pereira, J. B. Borges, P. H. Barros, A. F. Loureiro, O. A.
Rosso, H. S. Ramos
- Abstract要約: 本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The analysis of GPS trajectories is a well-studied problem in Urban Computing
and has been used to track people. Analyzing people mobility and identifying
the transportation mode used by them is essential for cities that want to
reduce traffic jams and travel time between their points, thus helping to
improve the quality of life of citizens. The trajectory data of a moving object
is represented by a discrete collection of points through time, i.e., a time
series. Regarding its interdisciplinary and broad scope of real-world
applications, it is evident the need of extracting knowledge from time series
data. Mining this type of data, however, faces several complexities due to its
unique properties. Different representations of data may overcome this. In this
work, we propose the use of a feature retained from the Ordinal Pattern
Transition Graph, called the probability of self-transition for transportation
mode classification. The proposed feature presents better accuracy results than
Permutation Entropy and Statistical Complexity, even when these two are
combined. This is the first work, to the best of our knowledge, that uses
Information Theory quantifiers to transportation mode classification, showing
that it is a feasible approach to this kind of problem.
- Abstract（参考訳）: GPSトラジェクトリの分析は、都市コンピューティングにおいてよく研究されている問題であり、人々を追跡するために使われてきた。
交通渋滞や移動時間を減らしたい都市にとって、モビリティの分析や交通手段の特定が不可欠であり、市民の生活の質の向上に寄与する。
移動物体の軌道データは、時間を通しての離散的な点の集合、すなわち時系列によって表現される。
実世界の応用の学際的かつ幅広い範囲において、時系列データから知識を抽出する必要があることは明らかである。
しかし、この種のデータのマイニングは、そのユニークな特性のために、いくつかの複雑さに直面します。
データの異なる表現がこれを克服する可能性がある。
本研究は,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
交通モードの分類に情報理論量化器を使用し、この種の問題に対して実現可能なアプローチであることを示すのは、これが私たちの知る限りでは最初の作業です。
関連論文リスト
- Link Representation Learning for Probabilistic Travel Time Estimation [21.092166159353702]
本稿では,ガウス階層モデルを用いた旅行レベルのリンク旅行時間をモデル化する。
その結果、最先端の決定論的および確率論的ベースラインと比較して優れた性能を示した。
学習したリンク表現はネットワークの物理幾何学とよく一致し、他のアプリケーションに対する入力として適していることがわかった。
論文 参考訳（メタデータ） (2024-07-08T13:01:53Z) - Deep Temporal Deaggregation: Large-Scale Spatio-Temporal Generative Models [5.816964541847194]
本稿では,最新技術よりもパフォーマンスとスケールが大幅に向上する時系列の変圧器に基づく拡散モデルTDDPMを提案する。
これは、いくつかのシーケンス長、標準データセット、評価尺度にまたがる新しい包括的なベンチマークで評価される。
論文 参考訳（メタデータ） (2024-06-18T09:16:11Z) - Dynamic Frequency Domain Graph Convolutional Network for Traffic
Forecasting [33.538633286142264]
ランダム要因による交通パターンと騒音の時間変化は、データ駆動型空間依存モデリングを妨げている。
本研究では,空間依存性を捉えるために,新しい動的周波数領域グラフ畳み込みネットワーク(DFDGCN)を提案する。
実世界の4つのデータセットの実験において,本モデルは有効であり,ベースラインを上回っている。
論文 参考訳（メタデータ） (2023-12-19T08:20:09Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳（メタデータ） (2022-05-27T12:46:52Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳（メタデータ） (2022-03-11T09:46:22Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z) - Gravitational Models Explain Shifts on Human Visual Attention [80.76475913429357]
視覚的注意(英: visual attention)とは、人間の脳が優先的な処理のために関連する感覚情報を選択する能力を指す。
過去30年間に様々な評価方法が提案されてきた。
注意変動を記述するための重力モデル(GRAV)を提案する。
論文 参考訳（メタデータ） (2020-09-15T10:12:41Z) - Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。
まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。
このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
論文 参考訳（メタデータ） (2020-08-19T23:19:08Z) - Study on Key Technologies of Transit Passengers Travel Pattern Mining
and Applications based on Multiple Sources of Data [1.370633147306388]
本稿では,移動客の移動パターンと行動選好をマイニングするための一連の手法を提案する。
これらの知識を交通システムの調整と最適化に利用しています。
論文 参考訳（メタデータ） (2020-05-26T22:35:28Z) - Station-to-User Transfer Learning: Towards Explainable User Clustering
Through Latent Trip Signatures Using Tidal-Regularized Non-Negative Matrix
Factorization [4.713006935605146]
この研究は、モビリティデータと、それが都市のモビリティパターンの理解を改善するためにどのように役立つかに焦点を当てている。
そこで我々は,駅レベルの信号から学習した集合パターンを用いて,ユーザレベルの学習を増強する,遅延表現による集合学習フレームワークを提案する。
ワシントンD.C.都市圏の駅機能とユーザプロファイルの質的分析を行い,都市内モビリティ調査を支援する方法を示す。
論文 参考訳（メタデータ） (2020-04-27T14:13:56Z)
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。