論文の概要: Pattern Ensembling for Spatial Trajectory Reconstruction
- arxiv url: http://arxiv.org/abs/2101.09844v1
- Date: Mon, 25 Jan 2021 01:44:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 19:15:51.325986
- Title: Pattern Ensembling for Spatial Trajectory Reconstruction
- Title(参考訳): 空間軌道再構成のためのパターン組み立て
- Authors: Shivam Pathak, Mingyi He, Sergey Malinchik, Stanislav Sobolevsky
- Abstract要約: 類似の軌跡パターンを局所的近傍から使用し,行方不明または信頼性の低い観測をロバストに再構成する手法を提案する。
本手法は,実世界の軌跡の類似性を効果的に活用することにより,拡張長と複素幾何学の欠落した軌跡セグメントを再構成するのに役立つ。
- 参考スコア(独自算出の注目度): 1.1087735229999818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital sensing provides an unprecedented opportunity to assess and
understand mobility. However, incompleteness, missing information, possible
inaccuracies, and temporal heterogeneity in the geolocation data can undermine
its applicability. As mobility patterns are often repeated, we propose a method
to use similar trajectory patterns from the local vicinity and
probabilistically ensemble them to robustly reconstruct missing or unreliable
observations. We evaluate the proposed approach in comparison with traditional
functional trajectory interpolation using a case of sea vessel trajectory data
provided by The Automatic Identification System (AIS). By effectively
leveraging the similarities in real-world trajectories, our pattern ensembling
method helps to reconstruct missing trajectory segments of extended length and
complex geometry. It can be used for locating mobile objects when temporary
unobserved as well as for creating an evenly sampled trajectory interpolation
useful for further trajectory mining.
- Abstract(参考訳): デジタルセンシングは、モビリティを評価し理解する前例のない機会を提供する。
しかし、不完全性、情報不足、不正確な可能性、および位置情報データの時間的不均一性は、その適用性を損なう可能性がある。
移動パターンが繰り返されることが多いため,局所近傍からの類似した軌道パターンを確率的にアンサンブルし,欠落あるいは信頼できない観測を堅牢に再構築する手法を提案する。
自動識別システム(AIS)が提供する船舶軌道データを用いて,従来の機能的軌道補間と比較して,提案手法の評価を行った。
本手法は,実世界の軌跡の類似性を効果的に活用することにより,拡張長と複素幾何学の欠落した軌跡セグメントを再構成するのに役立つ。
一時的に観測されていないときの移動物体の配置や、さらなる軌道採掘に役立つ均等なサンプル軌道補間の作成に使用できる。
関連論文リスト
- Self-supervised Trajectory Representation Learning with Temporal
Regularities and Travel Semantics [23.4292825456711]
Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。
既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。
本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-17T13:14:47Z) - Global Trajectory Helps Person Retrieval in a Camera Network [124.65912458467643]
既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラの空間情報は無視する。
本研究では,時間的情報と空間的情報を統合したクロスカメラトラジェクトリ生成に基づく人物検索の枠組みを提案する。
提案手法の有効性を検証するため,実際の監視シナリオに基づいて,カメラ横断歩行者軌跡の最初のデータセットを構築した。
論文 参考訳(メタデータ) (2022-04-27T13:10:48Z) - Unraveled Multilevel Transformation Networks for Predicting
Sparsely-Observed Spatiotemporal Dynamics [12.627823168264209]
疎分散データサイトからのデータを用いて未知のダイナミクスを予測するモデルを提案する。
合成気候データと実世界の気候データの両方を用いて、我々のアプローチの利点を実証する。
論文 参考訳(メタデータ) (2022-03-16T14:44:05Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳(メタデータ) (2022-02-03T09:09:56Z) - Multi View Spatial-Temporal Model for Travel Time Estimation [14.591364075326984]
時空間と軌跡の依存性を捉えるためのマルチビュー時空間モデル(MVSTM)を提案する。
具体的には,空間ビューのモデル化にGraph2vec,軌跡ビューのモデル化にデュアルチャネル時間モジュール,トラフィックセマンティクスのモデル化に構造埋め込みを用いる。
大規模タクシー軌道データを用いた実験により,本手法は新規手法よりも有効であることが示された。
論文 参考訳(メタデータ) (2021-09-15T16:11:18Z) - Temporally-Coherent Surface Reconstruction via Metric-Consistent Atlases [131.50372468579067]
再建された表面をニューラルネットワークを用いてアトラスとして表現する。
本手法は,教師なし対応の精度と表面再構成の精度において,その性能を超える結果が得られることを実証的に示す。
論文 参考訳(メタデータ) (2021-04-14T16:21:22Z) - Map-Based Temporally Consistent Geolocalization through Learning Motion
Trajectories [0.5076419064097732]
本稿では, トポロジカルマップ上での運動軌跡を利用したニューラルネットを用いた新しい軌跡学習手法を提案する。
ナビゲーションにおける自己運動の距離と方向の両方を認識できる人間の能力に触発されて,軌道学習法は,距離の列として符号化された軌道のパターン表現を学習し,角度を回転させて自己局所化を支援する。
論文 参考訳(メタデータ) (2020-10-13T02:08:45Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳(メタデータ) (2020-09-21T13:57:10Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis [10.335486459171992]
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。
論文 参考訳(メタデータ) (2020-03-03T06:09:15Z)
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。