論文の概要: Physics-Guided Abnormal Trajectory Gap Detection

• arxiv url: http://arxiv.org/abs/2403.06268v1
• Date: Sun, 10 Mar 2024 17:07:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 06:49:02.192132
• Title: Physics-Guided Abnormal Trajectory Gap Detection
• Title（参考訳）: 物理誘導異常軌道ギャップ検出
• Authors: Arun Sharma, Shashi Shekhar
• Abstract要約: 本研究では,時空間のインデックス化と軌道ギャップのマージを両立させるための時空間ギャップ検出(STAGD)手法を提案する。 また、ダイナミックリージョンベースのマージ(DRM)アプローチを導入し、ギャップ異常スコアを効率的に計算する。
• 参考スコア（独自算出の注目度）: 2.813613899641924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given trajectories with gaps (i.e., missing data), we investigate algorithms to identify abnormal gaps in trajectories which occur when a given moving object did not report its location, but other moving objects in the same geographic region periodically did. The problem is important due to its societal applications, such as improving maritime safety and regulatory enforcement for global security concerns such as illegal fishing, illegal oil transfers, and trans-shipments. The problem is challenging due to the difficulty of bounding the possible locations of the moving object during a trajectory gap, and the very high computational cost of detecting gaps in such a large volume of location data. The current literature on anomalous trajectory detection assumes linear interpolation within gaps, which may not be able to detect abnormal gaps since objects within a given region may have traveled away from their shortest path. In preliminary work, we introduced an abnormal gap measure that uses a classical space-time prism model to bound an object's possible movement during the trajectory gap and provided a scalable memoized gap detection algorithm (Memo-AGD). In this paper, we propose a Space Time-Aware Gap Detection (STAGD) approach to leverage space-time indexing and merging of trajectory gaps. We also incorporate a Dynamic Region Merge-based (DRM) approach to efficiently compute gap abnormality scores. We provide theoretical proofs that both algorithms are correct and complete and also provide analysis of asymptotic time complexity. Experimental results on synthetic and real-world maritime trajectory data show that the proposed approach substantially improves computation time over the baseline technique.
• Abstract（参考訳）: ギャップのある軌道(すなわちデータ欠落)が与えられたとき、ある移動物体がその位置を報告しなかったときに発生する軌道の異常なギャップを識別するアルゴリズムを探索し、同じ地理的領域の他の移動物体が定期的に行った。 この問題は、違法な漁業、違法な石油輸送、トランスシップといったグローバルな安全保障上の問題に対する海上安全と規制の強化など、社会的な応用によって重要である。 この問題は、軌道間隙中に移動物体の可能な位置を境界付けることが困難であることと、そのような大量の位置データのギャップを検出する計算コストが非常に高いことに起因する。 異常軌道検出に関する現在の文献では、ギャップ内の線形補間を仮定しており、特定の領域内の物体が最短経路から遠ざかる可能性があるため、異常ギャップを検出できない可能性がある。 予備研究では,軌道間隙中に物体の移動可能な動きを束縛する古典的な時空プリズムモデルを用いた異常間隙計測法を導入し,スケーラブルなメモ間隙検出アルゴリズム(memo-agd)を提供する。 本稿では,空間時間を考慮したギャップ検出(STAGD)手法を提案する。 また,動的領域マージベース(drm)アプローチを取り入れ,ギャップ異常スコアを効率的に計算する。 両アルゴリズムが正確かつ完全であることの理論的証明と漸近的時間複雑性の解析を提供する。 合成および実世界の海上軌道データを用いた実験の結果,提案手法はベースライン手法よりも計算時間を大幅に改善することがわかった。

関連論文リスト

• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• 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)
• A Latent Space Correlation-Aware Autoencoder for Anomaly Detection in Skewed Data [0.0]
  本稿では,潜時次元相関を計測し,近距離異常と遠距離異常の両方を効果的に検出するカーネル化オートエンコーダを提案する。 多目的関数は2つの目標を持ち、頑健なMD距離の形で潜在特徴空間内の相関情報を計測する。
  論文  参考訳（メタデータ） (2023-01-01T19:40:06Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
  交通渋滞異常検出は知的交通システムにおいて最重要事項である。 本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。 Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
  論文  参考訳（メタデータ） (2022-06-28T17:08:47Z)
• Spatial-Temporal Conv-sequence Learning with Accident Encoding for Traffic Flow Prediction [17.94199362114272]
  インテリジェント交通システムにおいて、交通予測の重要な問題は、周期的時間的依存関係と複雑な空間的相関を抽出する方法である。 本研究では、集中時間ブロックが一方向の畳み込みを用いて、短時間の時間的依存を効果的に捉えた時空間連続学習(STCL)を提案する。 本研究では,大規模実世界のタスクについて広範な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-21T17:43:07Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Anomaly Detection in Trajectory Data with Normalizing Flows [0.0]
  本稿では,ニューラルネットワークを用いたデータから複雑な密度推定を可能にする,正規化フローに基づく手法を提案する。 提案手法は, 軌道の各セグメントに対して, 流れを正規化する重要な特徴である, 正確なモデル確率値を算出する。 実世界の軌道データを用いて, 正規化フローを用いた集約異常検出法(GRADINGS)を評価し, 従来の異常検出法と比較した。
  論文  参考訳（メタデータ） (2020-04-13T14:16:40Z)

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。