論文の概要: Clustering Human Mobility with Multiple Spaces
- arxiv url: http://arxiv.org/abs/2301.08524v1
- Date: Fri, 20 Jan 2023 12:02:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-23 13:31:20.824683
- Title: Clustering Human Mobility with Multiple Spaces
- Title(参考訳): マルチスペースによるヒューマンモビリティのクラスタリング
- Authors: Haoji Hu, Haowen Lin, Yao-Yi Chiang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.076957089365676
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Human mobility clustering is an important problem for understanding human
mobility behaviors (e.g., work and school commutes). Existing methods typically
contain two steps: choosing or learning a mobility representation and applying
a clustering algorithm to the representation. However, these methods rely on
strict visiting orders in trajectories and cannot take advantage of multiple
types of mobility representations. This paper proposes a novel mobility
clustering method for mobility behavior detection. First, the proposed method
contains a permutation-equivalent operation to handle sub-trajectories that
might have different visiting orders but similar impacts on mobility behaviors.
Second, the proposed method utilizes a variational autoencoder architecture to
simultaneously perform clustering in both latent and original spaces. Also, in
order to handle the bias of a single latent space, our clustering assignment
prediction considers multiple learned latent spaces at different epochs. This
way, the proposed method produces accurate results and can provide reliability
estimates of each trajectory's cluster assignment. The experiment shows that
the proposed method outperformed state-of-the-art methods in mobility behavior
detection from trajectories with better accuracy and more interpretability.
- Abstract(参考訳): ヒューマンモビリティクラスタリングは、人間のモビリティ行動(仕事や学校通勤など)を理解する上で重要な問題である。
既存の手法は通常、モビリティ表現の選択または学習とクラスタリングアルゴリズムを表現に適用する2つのステップを含む。
しかし,これらの手法はトラジェクトリにおける厳密な訪問順序に依存しており,複数種類のモビリティ表現を活用できない。
本稿では,モビリティ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,まず,異なる訪問順序を持つが移動行動に類似した影響を持つサブトラジェクトリを扱うための置換等価演算を含む。
第二に,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。
また、1つの潜在空間のバイアスに対処するために、クラスタリング割り当て予測は、異なるエポックで複数の学習された潜在空間を考える。
このようにして、提案手法は正確な結果を生成し、各軌道のクラスタ割り当ての信頼性を推定できる。
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。
関連論文リスト
- Distributional Reduction: Unifying Dimensionality Reduction and
Clustering with Gromov-Wasserstein Projection [50.51460159104604]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
伝統的に、これは次元還元法を用いて解釈可能な空間にデータを投影したり、意味のあるクラスタにポイントを整理する。
私たちは新しい視点 – 流通の視点 – を提供しています。
我々はクラスタリングと次元還元を分散還元と呼ばれる単一のフレームワークに統合する。
論文 参考訳(メタデータ) (2024-02-03T19:00:19Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Object Representations as Fixed Points: Training Iterative Refinement
Algorithms with Implicit Differentiation [88.14365009076907]
反復的洗練は表現学習に有用なパラダイムである。
トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
論文 参考訳(メタデータ) (2022-07-02T10:00:35Z) - 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) - Automated Approach for Computer Vision-based Vehicle Movement
Classification at Traffic Intersections [7.3496760394236595]
視覚に基づく車両軌跡の移動特定分類のための自動分類法を提案する。
筆者らのフレームワークは、教師なし階層クラスタリング手法を用いて、交通現場で観測された異なる動きパターンを識別する。
新しい類似度尺度は、視覚に基づく軌道の固有の欠点を克服するために設計された。
論文 参考訳(メタデータ) (2021-11-17T15:02:43Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳(メタデータ) (2021-07-23T06:57:08Z) - An adaptive Origin-Destination flows cluster-detecting method to
identify urban mobility trends [6.570477235837009]
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。
論文 参考訳(メタデータ) (2021-06-10T00:14:54Z) - Learning to Shift Attention for Motion Generation [55.61994201686024]
ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。
以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。
この問題を克服する外挿能力を有するモーション生成モデルを提案する。
論文 参考訳(メタデータ) (2021-02-24T09:07:52Z) - 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) - 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。