論文の概要: Learning Citywide Patterns of Life from Trajectory Monitoring

• arxiv url: http://arxiv.org/abs/2206.15352v1
• Date: Thu, 30 Jun 2022 15:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 13:38:39.761735
• Title: Learning Citywide Patterns of Life from Trajectory Monitoring
• Title（参考訳）: 軌道モニタリングによる都市全体の生活パターンの学習
• Authors: Mark Tenzer, Zeeshan Rasheed, Khurram Shafique
• Abstract要約: 異常データストリームを監視し、時間とともに正常なパターンを明示的に抽出することで、生活パターンを学習する。 ポルト・タクシーのデータセットから、主要な祝日と新たに発見された輸送異常の両方を含む、興味あるパターンを抽出する。 スマートシティや自動運転車,都市計画・管理など,多くの分野において,正常・異常な道路交通行動の段階的な学習能力が期待できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent proliferation of real-world human mobility datasets has catalyzed geospatial and transportation research in trajectory prediction, demand forecasting, travel time estimation, and anomaly detection. However, these datasets also enable, more broadly, a descriptive analysis of intricate systems of human mobility. We formally define patterns of life analysis as a natural, explainable extension of online unsupervised anomaly detection, where we not only monitor a data stream for anomalies but also explicitly extract normal patterns over time. To learn patterns of life, we adapt Grow When Required (GWR) episodic memory from research in computational biology and neurorobotics to a new domain of geospatial analysis. This biologically-inspired neural network, related to self-organizing maps (SOM), constructs a set of "memories" or prototype traffic patterns incrementally as it iterates over the GPS stream. It then compares each new observation to its prior experiences, inducing an online, unsupervised clustering and anomaly detection on the data. We mine patterns-of-interest from the Porto taxi dataset, including both major public holidays and newly-discovered transportation anomalies, such as festivals and concerts which, to our knowledge, have not been previously acknowledged or reported in prior work. We anticipate that the capability to incrementally learn normal and abnormal road transportation behavior will be useful in many domains, including smart cities, autonomous vehicles, and urban planning and management.
• Abstract（参考訳）: 近年の人間の移動性データセットの普及は、軌跡予測、需要予測、旅行時間推定、異常検出における地理空間および交通研究の触媒となった。 しかし、これらのデータセットはより広範に、人間の移動性の複雑なシステムの記述的分析を可能にする。 生活分析のパターンを、オンラインの教師なし異常検出の自然な説明可能な拡張として定義し、異常データストリームを監視するだけでなく、時間とともに正常なパターンを明示的に抽出する。 生命のパターンを学習するために、計算生物学と神経ロボティクスの研究からGrow When Required(GWR)エピソード記憶を地理空間解析の新しい領域に適用する。 この生物学的にインスパイアされたニューラルネットワークは、自己組織化マップ(SOM)に関連するもので、GPSストリームを繰り返すにつれて一連の「記憶」またはプロトタイプのトラフィックパターンを段階的に構築する。 そして、新しい観測結果を以前の経験と比較し、オンラインで教師なしのクラスタリングとデータの異常検出を誘導する。 我々は,ポルト・タクシー・データセットから,お祭りやコンサートなど,主要な公休日と新たに発見された交通異常の両方を含む関心のパターンを抽出した。 スマートシティや自動運転車,都市計画・管理など,多くの分野において,正常・異常な道路交通行動の段階的な学習能力が期待できる。

関連論文リスト

• Neural Collaborative Filtering to Detect Anomalies in Human Semantic Trajectories [0.5774786149181392]
  本研究では,人体軌跡の異常を検出するための軽量な異常検出モデルを構築した。 アルゴリズムは2つの主要モジュールから構成される。1つは協調フィルタリングモジュールであり、これは人間の正常な移動を興味のある場所にモデル化するための協調フィルタリングである。 提案手法の有効性を検証するために,シミュレーションおよび実世界のデータセットを用いて,多数の最先端の軌道異常検出手法と比較した広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-09-27T03:28:11Z)
• XXLTraffic: Expanding and Extremely Long Traffic Dataset for Ultra-Dynamic Forecasting Challenges [3.7509821052818118]
  XXLTrafficは、最も長いタイムパンとセンサーノード数の増加で利用可能な公開トラフィックデータセットである。 我々のデータセットは、既存の時間的データ資源を補完し、この領域における新しい研究の方向性につながる。
  論文  参考訳（メタデータ） (2024-06-18T15:06:22Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Graph Convolutional Networks for traffic anomaly [4.172516437934823]
  イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。 空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。 我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
  論文  参考訳（メタデータ） (2020-12-25T22:36:22Z)
• Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix [0.0]
  2つのニューラルネットワークモデル、すなわち多層パーセプトロン(MLP)と長短期モデル(LSTM)を開発し、忙しい経路のリンク移動時間を予測する。 実験の結果,両モデルともほぼ正確な予測が可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-08T15:01:13Z)
• Investigating naturalistic hand movements by behavior mining in long-term video and neural recordings [1.7205106391379024]
  本稿では, 長期的・自然主義的脳電図(ECoG)と自然主義的行動映像データとを同時に解析するための自動的アプローチについて述べる。 対象者は7～9日間の被験者12名である。 我々のパイプラインは、行動ビデオで自然主義的な人間の上肢運動イベントを4万件以上発見し、注釈付けします。
  論文  参考訳（メタデータ） (2020-01-23T02:41:35Z)

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。