論文の概要: Trajectory Clustering Performance Evaluation: If we know the answer, it's not clustering

• arxiv url: http://arxiv.org/abs/2112.01570v1
• Date: Thu, 2 Dec 2021 19:25:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 07:39:27.597128
• Title: Trajectory Clustering Performance Evaluation: If we know the answer, it's not clustering
• Title（参考訳）: 軌道クラスタリングのパフォーマンス評価: 答えが分かっていればクラスタリングではない
• Authors: Mohsen Rezaie and Nicolas Saunier
• Abstract要約: 軌道クラスタリングは教師なしのタスクである。 7つの交差点の軌跡データを用いて,類似度,クラスタリングアルゴリズム,評価尺度の総合的な比較を行う。
• 参考スコア（独自算出の注目度）: 0.6472434306724609
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Advancements in Intelligent Traffic Systems (ITS) have made huge amounts of traffic data available through automatic data collection. A big part of this data is stored as trajectories of moving vehicles and road users. Automatic analysis of this data with minimal human supervision would both lower the costs and eliminate subjectivity of the analysis. Trajectory clustering is an unsupervised task. In this paper, we perform a comprehensive comparison of similarity measures, clustering algorithms and evaluation measures using trajectory data from seven intersections. We also propose a method to automatically generate trajectory reference clusters based on their origin and destination points to be used for label-based evaluation measures. Therefore, the entire procedure remains unsupervised both in clustering and evaluation levels. Finally, we use a combination of evaluation measures to find the top performing similarity measures and clustering algorithms for each intersection. The results show that there is no single combination of distance and clustering algorithm that is always among the top ten clustering setups.
• Abstract（参考訳）: インテリジェントトラフィックシステム(ITS)の進歩は、自動データ収集を通じて大量のトラフィックデータを利用可能にしてきた。 このデータの大部分は、移動車両と道路利用者の軌跡として保存されている。 人間の監督を最小限にしたデータの自動分析は、コストを削減し、分析の主観性を排除します。 軌道クラスタリングは教師なしのタスクである。 本稿では,7つの交差点の軌跡データを用いた類似度,クラスタリングアルゴリズム,評価尺度の総合比較を行う。 また,ラベルに基づく評価尺度に使用する出発点と目的地に基づいて,軌道参照クラスタを自動的に生成する手法を提案する。 したがって、クラスタリングと評価のレベルでは、手順全体が監視されないままである。 最後に,評価尺度の組み合わせを用いて,各交差点における類似度尺度とクラスタリングアルゴリズムの上位値を求める。 その結果、常に上位10のクラスタリング設定に含まれる距離とクラスタリングアルゴリズムの組み合わせは存在しないことがわかった。

関連論文リスト

• Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
  観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。 本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• SSDBCODI: Semi-Supervised Density-Based Clustering with Outliers Detection Integrated [1.8444322599555096]
  クラスタリング分析は、機械学習における重要なタスクの1つだ。 クラスタリングクラスタリングのパフォーマンスが、異常値によって著しく損なわれる可能性があるため、アルゴリズムは、異常値検出のプロセスを組み込もうとする。 我々は,半教師付き検出素子であるSSDBCODIを提案する。
  論文  参考訳（メタデータ） (2022-08-10T21:06:38Z)
• Clustering Plotted Data by Image Segmentation [12.443102864446223]
  クラスタリングアルゴリズムは、ラベルなしデータのパターンを検出する主要な分析手法の1つである。 本稿では,人間のクラスタリングデータに着想を得た,2次元空間におけるクラスタリングポイントの全く異なる方法を提案する。 私たちのアプローチであるVisual Clusteringは、従来のクラスタリングアルゴリズムよりもいくつかのアドバンテージを持っています。
  論文  参考訳（メタデータ） (2021-10-06T06:19:30Z)
• Applying Semi-Automated Hyperparameter Tuning for Clustering Algorithms [0.0]
  本研究では,クラスタリング問題に対する半自動ハイパーパラメータチューニングのためのフレームワークを提案する。 グリッド検索を使用して一連のグラフを開発し、メトリクスを解釈しやすくし、より効率的なドメイン固有評価に使用できる。 予備的な結果は、内部メトリクスが、開発されたクラスタのセマンティックな品質をキャプチャできないことを示している。
  論文  参考訳（メタデータ） (2021-08-25T05:48:06Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Large Scale Autonomous Driving Scenarios Clustering with Self-supervised Feature Extraction [6.804209932400134]
  本稿では,自動車運転データの大規模集合に対する包括的データクラスタリングフレームワークを提案する。 提案手法では,トラヒック内エージェントオブジェクトとマップ情報の両方を含むトラフィック要素を網羅的に検討する。 新たに設計されたデータクラスタリング評価メトリクスは、データ拡張に基づくものであるため、精度評価には人間のラベル付きデータセットは必要ない。
  論文  参考訳（メタデータ） (2021-03-30T06:22:40Z)
• (k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time Warping [57.316437798033974]
  本研究では,トラジェクトリの集中型クラスタリングの問題について考察する。 我々はDTWの連続バージョンを距離測定として使用することを提案し、これをCDTW(Continuous dynamic time warping)と呼ぶ。 一連の軌道から中心を計算し、その後反復的に改善する実践的な方法を示す。
  論文  参考訳（メタデータ） (2020-12-01T13:17:27Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
  ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。 本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-06-17T17:58:10Z)
• Unsupervised and Supervised Learning with the Random Forest Algorithm for Traffic Scenario Clustering and Classification [4.169845583045265]
  本研究の目的は,交通シナリオのカテゴリを自動的に見つけ出す手法を提供することである。 アーキテクチャは3つの主要コンポーネントで構成されている: 顕微鏡的トラフィックシミュレーション、クラスタリング技術、および運用フェーズの分類技術である。
  論文  参考訳（メタデータ） (2020-04-05T08:26:29Z)

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。