論文の概要: Time Series Clustering for Human Behavior Pattern Mining
- arxiv url: http://arxiv.org/abs/2110.07549v1
- Date: Thu, 14 Oct 2021 17:19:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 14:40:40.760694
- Title: Time Series Clustering for Human Behavior Pattern Mining
- Title（参考訳）: 人間行動パターンマイニングのための時系列クラスタリング
- Authors: Rohan Kabra, Divya Saxena, Dhaval Patel, and Jiannong Cao
- Abstract要約: 時系列データから人間の行動をモデル化するための新しいクラスタリング手法を提案する。
頻繁な人間の行動パターンを効果的にマイニングするために、我々は3段階のパイプラインを利用する。
2つの実世界のデータセットとシミュレーションデータセットに関する実証研究は、MTパターンの有効性を実証している。
- 参考スコア（独自算出の注目度）: 11.906475748246532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human behavior modeling deals with learning and understanding of behavior
patterns inherent in humans' daily routines. Existing pattern mining techniques
either assume human dynamics is strictly periodic, or require the number of
modes as input, or do not consider uncertainty in the sensor data. To handle
these issues, in this paper, we propose a novel clustering approach for
modeling human behavior (named, MTpattern) from time-series data. For mining
frequent human behavior patterns effectively, we utilize a three-stage
pipeline: (1) represent time series data into sequence of regularly sampled
equal-sized unit time intervals for better analysis, (2) a new distance measure
scheme is proposed to cluster similar sequences which can handle temporal
variation and uncertainty in the data, and (3) exploit an exemplar-based
clustering mechanism and fine-tune its parameters to output minimum number of
clusters with given permissible distance constraints and without knowing the
number of modes present in the data. Then, the average of all sequences in a
cluster is considered as a human behavior pattern. Empirical studies on two
real-world datasets and a simulated dataset demonstrate the effectiveness of
MTpattern w.r.to internal and external measures of clustering.
- Abstract（参考訳）: 人間の行動モデリングは、人間の日常に固有の行動パターンの学習と理解を扱う。
既存のパターンマイニング技術は、人間の力学が厳密に周期的であると仮定するか、入力としてモードの数を必要とするか、センサーデータに不確実性を考慮するかのいずれかである。
本稿では,時系列データから人間の行動(MTパターン)をモデル化するための新しいクラスタリング手法を提案する。
For mining frequent human behavior patterns effectively, we utilize a three-stage pipeline: (1) represent time series data into sequence of regularly sampled equal-sized unit time intervals for better analysis, (2) a new distance measure scheme is proposed to cluster similar sequences which can handle temporal variation and uncertainty in the data, and (3) exploit an exemplar-based clustering mechanism and fine-tune its parameters to output minimum number of clusters with given permissible distance constraints and without knowing the number of modes present in the data.
そして、クラスタ内の全てのシーケンスの平均は人間の行動パターンと見なされる。
2つの実世界のデータセットとシミュレーションデータセットに関する実証的研究は、MTパターンがクラスタリングの内部および外部の尺度に有効であることを示す。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳（メタデータ） (2023-05-11T10:30:35Z) - Spatiotemporal k-means [39.98633724527769]
マルチスケールクラスタを解析できるk-means (STk) と呼ばれる2つの時間クラスタリング手法を提案する。
我々は、STkMがより複雑な機械学習タスク、特にビデオにおける関心の検出と追跡の教師なし領域にどのように拡張できるかを示す。
論文 参考訳（メタデータ） (2022-11-10T04:40:31Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z) - Neural Ordinary Differential Equation Model for Evolutionary Subspace
Clustering and Its Applications [36.700813256689656]
この制限を克服するために,進化的サブスペースクラスタリングのためのニューラルODEモデルを提案する。
本手法は,進化的サブスペースクラスタリングタスクにおいて,任意のステップでデータを補間するだけでなく,他の最先端手法よりも高い精度を達成できることを実証する。
論文 参考訳（メタデータ） (2021-07-22T07:02:03Z) - Deep Time Series Models for Scarce Data [8.673181404172963]
時系列データは多くの領域で爆発的な速度で成長し、時系列モデリング研究の急増を刺激している。
データ希少性は、膨大なデータ分析の問題で発生する普遍的な問題です。
論文 参考訳（メタデータ） (2021-03-16T22:16:54Z) - From Time Series to Euclidean Spaces: On Spatial Transformations for
Temporal Clustering [5.220940151628734]
従来のクラスタリング手法,時系列特異性,あるいは深層学習に基づく代替手法は,入力データに様々なサンプリングレートと高次元性が存在する場合によく一般化しないことを示す。
本稿では,入力時系列を距離ベース投影表現に変換する時間クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2020-10-02T09:08:16Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z) - Data Curves Clustering Using Common Patterns Detection [0.0]
分析とクラスタリングの時系列、あるいは一般にあらゆる種類の曲線は、いくつかの人間の活動にとって重要である。
共通パターン(CP)方法論を用いた新しい曲線クラスタリングについて紹介する。
論文 参考訳（メタデータ） (2020-01-05T18:36:38Z)
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。