論文の概要: An adaptive Origin-Destination flows cluster-detecting method to
identify urban mobility trends
- arxiv url: http://arxiv.org/abs/2106.05436v1
- Date: Thu, 10 Jun 2021 00:14:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-11 14:11:40.286197
- Title: An adaptive Origin-Destination flows cluster-detecting method to
identify urban mobility trends
- Title（参考訳）: 都市移動度トレンドを同定する適応的起源分岐流クラスタ検出法
- Authors: Mengyuan Fang, Luliang Tang, Zihan Kan, Xue Yang, Tao Pei, Qingquan
Li, Chaokui Li
- Abstract要約: Origin-Destination (OD) フローは、都市移動と人間と土地の相互作用パターンを明らかにするために使われてきた。
既存のODフロークラスタ検出法は,パラメータの設定が異なるため,空間スケールと不確実性の両方で制限されている。
本稿では,OpTICSアルゴリズムに基づく新しいODフロークラスタ検出手法を提案し,様々な集約スケールでODフロークラスタを同定する。
- 参考スコア（独自算出の注目度）: 6.570477235837009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Origin-Destination (OD) flow, as an abstract representation of the object`s
movement or interaction, has been used to reveal the urban mobility and
human-land interaction pattern. As an important spatial analysis approach, the
clustering methods of point events have been extended to OD flows to identify
the dominant trends and spatial structures of urban mobility. However, the
existing methods for OD flow cluster-detecting are limited both in specific
spatial scale and the uncertain result due to different parameters setting,
which is difficult for complicated OD flows clustering under spatial
heterogeneity. To address these limitations, in this paper, we proposed a novel
OD flows cluster-detecting method based on the OPTICS algorithm which can
identify OD flow clusters with various aggregation scales. The method can
adaptively determine parameter value from the dataset without prior knowledge
and artificial intervention. Experiments indicated that our method outperformed
three state-of-the-art methods with more accurate and complete of clusters and
less noise. As a case study, our method is applied to identify the potential
routes for public transport service settings by detecting OD flow clusters
within urban travel data.
- Abstract（参考訳）: オブジェクトの運動や相互作用の抽象表現としてのオリジン・デスティネーション(od)フローは、都市移動と人間と土地の相互作用のパターンを明らかにするために使われてきた。
重要な空間分析手法として,ポイントイベントのクラスタリング手法をodフローに拡張し,都市移動の主な傾向と空間構造を同定した。
しかし,既存のODフロークラスタ検出法は,空間的不均一性下での複雑なODフローのクラスタリングでは困難であり,パラメータ設定の違いにより,空間的スケールと不確実性の両方に制限されている。
そこで本稿では,様々な集約スケールのodフロークラスタを識別可能な光学アルゴリズムに基づく新しいodフロークラスタ検出法を提案する。
この方法は、事前の知識や人工的な介入なしにデータセットからパラメータ値を適応的に決定することができる。
実験の結果,提案手法はより正確で完全でノイズが少ない3つの最先端手法より優れていた。
本研究では,都市交通データ中のODフロークラスタを検出することにより,公共交通機関設定の潜在的経路を特定する手法を提案する。
関連論文リスト
- Change-Point Detection in Industrial Data Streams based on Online Dynamic Mode Decomposition with Control [5.293458740536858]
オンライン動的モード分解制御(ODMDwC)に基づく新しい変化点検出手法を提案する。
本手法は,Singular-Value-Decomposition法と比較して,直感的かつ優れた検出結果が得られることを示す。
論文 参考訳（メタデータ） (2024-07-08T14:18:33Z) - Efficient Trajectory Inference in Wasserstein Space Using Consecutive Averaging [3.8623569699070353]
軌道推論は、そのような観測から連続的な過程を再構築する挑戦を扱う。
ワッサーシュタイン空間に直交する連続平均化による点雲のB-スプライン近似法を提案する。
コンバージェンス保証を提供し、シミュレーションセルデータ上でテストすることで、我々の手法を厳格に評価する。
論文 参考訳（メタデータ） (2024-05-30T04:19:20Z) - Improved off-policy training of diffusion samplers [93.66433483772055]
本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。
シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。
我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
論文 参考訳（メタデータ） (2024-02-07T18:51:49Z) - Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳（メタデータ） (2023-10-15T18:44:30Z) - DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Clustering Human Mobility with Multiple Spaces [8.076957089365676]
本稿では,移動行動検出のための新しいモビリティクラスタリング手法を提案する。
提案手法は変分オートエンコーダアーキテクチャを用いて,潜在空間と原空間の両方でクラスタリングを同時に行う。
実験の結果,提案手法はトラジェクトリからの移動行動検出において,より精度が高く,解釈性も向上した。
論文 参考訳（メタデータ） (2023-01-20T12:02:30Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
交通渋滞異常検出は知的交通システムにおいて最重要事項である。
本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。
Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
論文 参考訳（メタデータ） (2022-06-28T17:08:47Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳（メタデータ） (2022-02-10T06:23:56Z)
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。