論文の概要: Estimator: An Effective and Scalable Framework for Transportation Mode Classification over Trajectories

• arxiv url: http://arxiv.org/abs/2212.05502v1
• Date: Sun, 11 Dec 2022 13:32:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 17:22:08.308967
• Title: Estimator: An Effective and Scalable Framework for Transportation Mode Classification over Trajectories
• Title（参考訳）: estimator: 軌道上の輸送モード分類のための効率的でスケーラブルなフレームワーク
• Authors: Danlei Hu, Ziquan Fang, Hanxi Fang, Tianyi Li, Chunhui Shen, Lu Chen, Yunjun Gao
• Abstract要約: 本稿では,GPS トラジェクトリを用いた移動モード分類のための効果的でスケーラブルなフレームワーク Estimator を提案する。 推定器は交通条件に応じて交通空間全体を空間領域に分割し,スケーラビリティを著しく向上させる。 Estimatorはより優れたモデルの有効性(精度99%、F1スコア0.98)を実現し、最先端の学習手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 22.704053034976784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transportation mode classification, the process of predicting the class labels of moving objects transportation modes, has been widely applied to a variety of real world applications, such as traffic management, urban computing, and behavior study. However, existing studies of transportation mode classification typically extract the explicit features of trajectory data but fail to capture the implicit features that affect the classification performance. In addition, most of the existing studies also prefer to apply RNN-based models to embed trajectories, which is only suitable for classifying small-scale data. To tackle the above challenges, we propose an effective and scalable framework for transportation mode classification over GPS trajectories, abbreviated Estimator. Estimator is established on a developed CNN-TCN architecture, which is capable of leveraging the spatial and temporal hidden features of trajectories to achieve high effectiveness and efficiency. Estimator partitions the entire traffic space into disjointed spatial regions according to traffic conditions, which enhances the scalability significantly and thus enables parallel transportation classification. Extensive experiments using eight public real-life datasets offer evidence that Estimator i) achieves superior model effectiveness (i.e., 99% Accuracy and 0.98 F1-score), which outperforms state-of-the-arts substantially; ii) exhibits prominent model efficiency, and obtains 7-40x speedups up over state-of-the-arts learning-based methods; and iii) shows high model scalability and robustness that enables large-scale classification analytics.
• Abstract（参考訳）: 移動物体移動モードのクラスラベルを予測する交通モード分類は、交通管理、都市コンピューティング、行動研究など、様々な現実世界の応用に広く適用されてきた。 しかしながら、既存の交通モード分類の研究は、典型的には軌跡データの明示的な特徴を抽出するが、分類性能に影響を与える暗黙的な特徴を捉えない。 さらに,既存の研究の多くは,小規模データの分類にのみ適するトラジェクトリを組み込むために,RNNベースのモデルを採用することを好んでいる。 以上の課題に対処するために,GPSトラジェクトリを用いた移動モード分類のための効果的でスケーラブルなフレームワーク,Estimatorを提案する。 軌道の空間的および時間的隠蔽特性を利用して高い効率と効率を実現するCNN-TCNアーキテクチャ上に推定器を構築した。 推定器は交通条件に応じて交通空間全体を不規則な空間領域に分割し,スケーラビリティを著しく向上させ,並列交通分類を可能にする。 8つの公開実生活データセットを用いた大規模な実験は、Estimatorの証拠を提供する 一 優れたモデル有効性(精度99%、f1-score 0.98)を達成すること。 二 卓越したモデル効率を示し、最先端の学習方法による7-40倍の高速化を得る。 iii) 大規模分類分析を可能にするモデルスケーラビリティと堅牢性を示す。

関連論文リスト

• Towards a Transformer-Based Pre-trained Model for IoT Traffic Classification [0.6060461053918144]
  最先端の分類法はDeep Learningに基づいている。 実際の状況では、IoTトラフィックデータが不足しているため、モデルのパフォーマンスはそれほど良くない。 大規模なラベル付きトランスフォーマーベースのIoTトラフィックデータセット上で事前トレーニングされたIoTトラフィック分類変換器(ITCT)を提案する。 実験の結果、ITCTモデルは既存のモデルよりも大幅に優れ、全体的な精度は82%に達した。
  論文  参考訳（メタデータ） (2024-07-26T19:13:11Z)
• Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
  本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。 我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。 実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-14T14:23:23Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• A Fast and Map-Free Model for Trajectory Prediction in Traffics [2.435517936694533]
  本稿では,交通地図に依存しない効率的な軌道予測モデルを提案する。 注意機構、LSTM、グラフ畳み込みネットワーク、時間変換器を包括的に活用することにより、我々のモデルは全てのエージェントのリッチな動的および相互作用情報を学習することができる。 提案モデルでは,既存のマップフリー手法と比較して高い性能を達成し,Argoverseデータセット上のほとんどのマップベース最先端手法を超越する。
  論文  参考訳（メタデータ） (2023-07-19T08:36:31Z)
• 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)
• Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
  同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。 共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。 さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
  論文  参考訳（メタデータ） (2022-07-08T10:25:47Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• TraClets: Harnessing the power of computer vision for trajectory classification [0.9405458160620532]
  この研究は、トラジェクトリを直感的な人間の方法で分類するために、トラジェクトリと呼ばれるトラジェクトリの画像表現を利用する。 いくつかの実世界のデータセットを用いて提案手法を評価し、その分類性能を他の最先端軌跡分類アルゴリズムと比較する。
  論文  参考訳（メタデータ） (2022-05-27T10:28:05Z)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• Vehicle Behavior Prediction and Generalization Using Imbalanced Learning Techniques [1.3381749415517017]
  本稿では,LSTMオートエンコーダとSVM分類器からなる対話認識予測モデルを提案する。 評価の結果,モデル性能が向上し,分類精度が向上した。
  論文  参考訳（メタデータ） (2021-09-22T11:21:20Z)
• 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。