論文の概要: A data-driven approach to predict decision point choice during normal
and evacuation wayfinding in multi-story buildings
- arxiv url: http://arxiv.org/abs/2308.03511v1
- Date: Mon, 7 Aug 2023 12:05:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 14:03:35.387886
- Title: A data-driven approach to predict decision point choice during normal
and evacuation wayfinding in multi-story buildings
- Title（参考訳）: 多層建物における正常・避難道探索時の決定点選択予測のためのデータ駆動手法
- Authors: Yan Feng, Panchamy Krishnakumari
- Abstract要約: 本稿では,多層建物における正常および緊急道路工事における歩行者決定点選択の理解と予測のためのデータ駆動型アプローチを提案する。
最初に室内ネットワーク表現を構築し,VR座標を室内表現にマッピングするデータマッピング手法を提案する。
そこで我々は,多層建物における4つのウェイフィニング作業中の経路に沿った歩行者決定点選択を予測するために,ランダムフォレスト(RF)モデルという,確立された機械学習アルゴリズムを用いた。
- 参考スコア（独自算出の注目度）: 19.36581352680941
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Understanding pedestrian route choice behavior in complex buildings is
important to ensure pedestrian safety. Previous studies have mostly used
traditional data collection methods and discrete choice modeling to understand
the influence of different factors on pedestrian route and exit choice,
particularly in simple indoor environments. However, research on pedestrian
route choice in complex buildings is still limited. This paper presents a
data-driven approach for understanding and predicting the pedestrian decision
point choice during normal and emergency wayfinding in a multi-story building.
For this, we first built an indoor network representation and proposed a data
mapping technique to map VR coordinates to the indoor representation. We then
used a well-established machine learning algorithm, namely the random forest
(RF) model to predict pedestrian decision point choice along a route during
four wayfinding tasks in a multi-story building. Pedestrian behavioral data in
a multi-story building was collected by a Virtual Reality experiment. The
results show a much higher prediction accuracy of decision points using the RF
model (i.e., 93% on average) compared to the logistic regression model. The
highest prediction accuracy was 96% for task 3. Additionally, we tested the
model performance combining personal characteristics and we found that personal
characteristics did not affect decision point choice. This paper demonstrates
the potential of applying a machine learning algorithm to study pedestrian
route choice behavior in complex indoor buildings.
- Abstract（参考訳）: 複合建築物における歩行者経路選択行動の理解は,歩行者の安全を確保する上で重要である。
これまでの研究では、従来のデータ収集手法と離散的選択モデルを使用して、歩行者の経路や出口選択、特に単純な屋内環境に対するさまざまな要因の影響を理解してきた。
しかし、複雑な建物の歩行者道選択に関する研究は依然として限られている。
本稿では,多層建物における通常および緊急時の歩行者選択点の理解と予測のためのデータ駆動手法を提案する。
そこで我々はまず室内ネットワーク表現を構築し,VR座標を室内表現にマッピングするデータマッピング手法を提案した。
次に,多層建物における4つのウェイフィニング作業中の経路に沿った歩行者決定点選択を予測するために,ランダムフォレスト(RF)モデルを用いた。
多階建てビルの歩行者行動データは仮想現実実験によって収集された。
その結果,ロジスティック回帰モデルと比較して,rfモデル(平均93%)を用いた決定点の予測精度が有意に高かった。
最大予測精度はタスク3で96%であった。
さらに,個人特性を組み合わせたモデル性能を検証したところ,個人特性が決定点選択に影響しないことが判明した。
本稿では,複雑な屋内建物における歩行者経路選択行動の研究に機械学習アルゴリズムを適用する可能性を示す。
関連論文リスト
- Pedestrian wayfinding behavior in a multi-story building: a
comprehensive modeling study featuring route choice, wayfinding performance,
and observation behavior [17.538302663734225]
本稿では,複雑な建物における歩行者の道路舗装挙動をモデル化するための包括的アプローチを提案する。
4つのウェイフィニングタスクは、個人的、インフラ的、ルート的特性が屋内歩行者のウェイフィニング行動にどのように影響するかを決定するために設計された。
歩行者の経路選択行動は経路特性に大きく影響されているのに対し,道路舗装性能は個人特性にも影響されている。
論文 参考訳（メタデータ） (2023-04-20T08:22:10Z) - R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。
効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。
このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
論文 参考訳（メタデータ） (2022-04-02T07:54:58Z) - Pedestrian Detection: Domain Generalization, CNNs, Transformers and
Beyond [82.37430109152383]
その結果、現在の歩行者検知器は、クロスデータセット評価において、たとえ小さな領域シフトであっても処理が不十分であることがわかった。
限定的な一般化は、その方法と現在のデータ源の2つの主要な要因に帰着する。
本稿では、一般化を改善する進歩的な微調整戦略を提案する。
論文 参考訳（メタデータ） (2022-01-10T06:00:26Z) - Data Driven VRP: A Neural Network Model to Learn Hidden Preferences for
VRP [9.434400627011108]
ニューラルネットワークモデルを用いてアーク確率を推定し、追加機能と自動パラメータ推定を可能にする。
本稿では,従来のマルコフ計数手法との違いについて検討し,この設定におけるニューラルネットワークの適用性について検討する。
論文 参考訳（メタデータ） (2021-08-10T10:53:44Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳（メタデータ） (2021-01-16T23:45:02Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - RNN-based Pedestrian Crossing Prediction using Activity and Pose-related
Features [3.530819234519772]
本稿では,この問題を解決するために,ディープラーニングシステムの様々なバリエーションを提案する。
提案モデルはCNNベースの特徴抽出器とRNNモジュールの2つの部分から構成される。
その結果, 特徴抽出法の選択, 歩行者視線方向, 離散方向などの変数の追加, 選択したRNNタイプが最終性能に有意な影響を及ぼすことが示唆された。
論文 参考訳（メタデータ） (2020-08-26T16:06:24Z) - DGSAC: Density Guided Sampling and Consensus [4.808421423598809]
Kernel Residual Densityは、inlierとoutlierの主な差別化要因である。
本稿では,2つのモデル選択アルゴリズム,最適2次プログラム,および欲求性を提案する。
平面分割, 運動分割, 点推定, 3次元点雲への平面整合, 直線, 円環整合など, 様々なタスクについて評価を行った。
論文 参考訳（メタデータ） (2020-06-03T17:42:53Z) - Pedestrian Action Anticipation using Contextual Feature Fusion in
Stacked RNNs [19.13270454742958]
交差点における歩行者行動予測問題の解法を提案する。
提案手法では,シーン動的・視覚的特徴の両面から収集した情報を徐々にネットワークに融合する新しいRNNアーキテクチャを用いる。
論文 参考訳（メタデータ） (2020-05-13T20:59:37Z) - Generalizable Pedestrian Detection: The Elephant In The Room [82.37430109152383]
既存の最先端の歩行者検出器は、同じデータセット上でトレーニングやテストを行う際には、非常によく機能するが、データセット間の評価では、十分に一般化されていない。
ウェブをクロールすることで収集される多様で高密度なデータセットは、歩行者検出のための事前学習の効率的な情報源であることを示す。
論文 参考訳（メタデータ） (2020-03-19T14:14:52Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳（メタデータ） (2020-02-20T18:50:44Z)
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。