論文の概要: Can we learn where people come from? Retracing of origins in merging
situations
- arxiv url: http://arxiv.org/abs/2012.11527v1
- Date: Mon, 21 Dec 2020 17:42:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 10:07:20.812071
- Title: Can we learn where people come from? Retracing of origins in merging
situations
- Title（参考訳）: 人々がどこから来るのか 学べますか?
融合状況における起源の再現
- Authors: Marion G\"odel and Luca Spataro and Gerta K\"oster
- Abstract要約: センサデータから得られる密度ヒートマップをランダムな森林レセプタの入力として利用し,原産地分布の予測を行う。
シミュレーションデータセット、実験データ、および実験データとシミュレーションデータの両方を備えたハイブリッドアプローチの3つの異なるデータセットを研究します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One crucial information for a pedestrian crowd simulation is the number of
agents moving from an origin to a certain target. While this setup has a large
impact on the simulation, it is in most setups challenging to find the number
of agents that should be spawned at a source in the simulation. Often, number
are chosen based on surveys and experience of modelers and event organizers.
These approaches are important and useful but reach their limits when we want
to perform real-time predictions. In this case, a static information about the
inflow is not sufficient. Instead, we need a dynamic information that can be
retrieved each time the prediction is started. Nowadays, sensor data such as
video footage or GPS tracks of a crowd are often available. If we can estimate
the number of pedestrians who stem from a certain origin from this sensor data,
we can dynamically initialize the simulation. In this study, we use density
heatmaps that can be derived from sensor data as input for a random forest
regressor to predict the origin distributions. We study three different
datasets: A simulated dataset, experimental data, and a hybrid approach with
both experimental and simulated data. In the hybrid setup, the model is trained
with simulated data and then tested on experimental data. The results
demonstrate that the random forest model is able to predict the origin
distribution based on a single density heatmap for all three configurations.
This is especially promising for applying the approach on real data since there
is often only a limited amount of data available.
- Abstract（参考訳）: 歩行者の群衆シミュレーションにとって重要な情報のひとつは、起源から特定のターゲットへ移動するエージェントの数である。
このセットアップはシミュレーションに大きな影響を与えるが、ほとんどのセットアップでは、シミュレーションのソースで発生すべきエージェントの数を見つけることは困難である。
多くの場合、数字はモデラーやイベント主催者の調査や経験に基づいて選ばれる。
これらのアプローチは重要で有用なものですが、リアルタイムの予測を行う場合には限界に達します。
この場合、インフローに関する静的情報だけでは不十分である。
その代わり、予測が開始されるたびに検索できる動的な情報が必要です。
今日では、ビデオ映像や群衆のGPSトラックなどのセンサーデータもしばしば利用できる。
このセンサデータから特定起源の歩行者数を推定できれば,シミュレーションを動的に初期化することができる。
本研究では,センサデータから導出可能な密度熱マップを,ランダムな森林回帰器の入力として使用し,原点分布を予測する。
シミュレーションデータセット、実験データ、実験データとシミュレーションデータの両方を用いたハイブリッドアプローチの3つの異なるデータセットについて検討する。
ハイブリッドセットアップでは、モデルはシミュレーションデータでトレーニングされ、実験データでテストされる。
その結果,ランダムフォレストモデルは3つの構成すべてについて,単一の密度ヒートマップに基づいて原産地分布を予測できることがわかった。
これは、利用可能なデータ量が限られていることが多いため、実データにアプローチを適用する上で特に有望である。
関連論文リスト
- Statistical inference of travelers' route choice preferences with
system-level data [4.120057972557892]
本研究では,システムレベルのデータを用いて旅行者の実用機能を複数の属性で推定する手法を開発した。
合成データを用いた実験では、係数は一貫して回復され、仮説テストはどの属性が旅行者の経路選択の決定要因であるかを特定する信頼できる統計量であることが示されている。
この方法論は、新型コロナウイルスの感染拡大時に収集された実際のFresnoworldマルチソースデータを使用して、大規模に展開される。
論文 参考訳（メタデータ） (2022-04-23T00:38:32Z) - 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) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。
パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
論文 参考訳（メタデータ） (2022-01-28T12:00:31Z) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - Feature Shift Detection: Localizing Which Features Have Shifted via
Conditional Distribution Tests [12.468665026043382]
軍用センサーネットワークでは、ユーザーがセンサーの1つ以上の障害を検知する。
まず、この問題の形式化を複数の条件分布仮説テストとして定義する。
効率性と柔軟性の両面から,密度モデルスコア関数に基づくテスト統計法を提案する。
論文 参考訳（メタデータ） (2021-07-14T18:23:24Z) - Approximate Bayesian Computation with Path Signatures [0.5156484100374059]
本稿では,時系列データ間の距離を構築するための自然候補としてパスシグネチャを導入する。
実験により, 従来の時系列モデルよりも高精度なベイズ後方推定が可能であることが示された。
論文 参考訳（メタデータ） (2021-06-23T17:25:43Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Transfer learning suppresses simulation bias in predictive models built
from sparse, multi-modal data [15.587831925516957]
科学、工学、ビジネスにおける多くの問題は、ごくわずかな観察に基づく予測を必要とする。
堅牢な予測モデルを構築するには、特に設計空間が多次元である場合、これらのスパースデータをシミュレーションデータで拡張する必要がある。
ディープラーニングの最近の開発を組み合わせて、マルチモーダルデータからより堅牢な予測モデルを構築します。
論文 参考訳（メタデータ） (2021-04-19T23:28:32Z) - Synthetic Dataset Generation of Driver Telematics [0.0]
本稿では、類似の現実保険データセットからエミュレートされたドライバーテレマティクスの合成データセットの作成に使用されるテクニックについて述べる。
機械学習アルゴリズムを使った3段階のプロセスに従う。
得られたデータセットは、Poissonとガンマ回帰モデルが各データに適合する場合に、合成データセットと実データセットを比較して評価する。
論文 参考訳（メタデータ） (2021-01-30T15:52:56Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳（メタデータ） (2020-12-04T19:21:37Z)
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。