論文の概要: Pairwise Spatiotemporal Partial Trajectory Matching for Co-movement Analysis

• arxiv url: http://arxiv.org/abs/2412.02879v1
• Date: Tue, 03 Dec 2024 22:25:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:08:31.686414
• Title: Pairwise Spatiotemporal Partial Trajectory Matching for Co-movement Analysis
• Title（参考訳）: コモーメント解析のための時空間部分軌道マッチング
• Authors: Maria Cardei, Sabit Ahmed, Gretchen Chapman, Afsaneh Doryab,
• Abstract要約: ペアワイズ・ムーブメント・アナリティクス(Pairwise movement analysis)は、特定の時間枠内で個人を特定することを含む。 本稿では,時間ウィンドウに基づいてデータを解釈可能な画像に変換する部分時間マッチング手法を提案する。 我々は,コウォーキング分類タスクにおける手法の評価を行い,その効果を新しいコ行動識別アプリケーションで実証した。 このアプローチは、時間的行動分析のための強力で解釈可能なフレームワークを提供し、社会行動研究、都市計画、医療に潜在的な応用をもたらす。
• 参考スコア（独自算出の注目度）: 1.0942776587291776
• License:
• Abstract: Spatiotemporal pairwise movement analysis involves identifying shared geographic-based behaviors between individuals within specific time frames. Traditionally, this task relies on sequence modeling and behavior analysis techniques applied to tabular or video-based data, but these methods often lack interpretability and struggle to capture partial matching. In this paper, we propose a novel method for pairwise spatiotemporal partial trajectory matching that transforms tabular spatiotemporal data into interpretable trajectory images based on specified time windows, allowing for partial trajectory analysis. This approach includes localization of trajectories, checking for spatial overlap, and pairwise matching using a Siamese Neural Network. We evaluate our method on a co-walking classification task, demonstrating its effectiveness in a novel co-behavior identification application. Our model surpasses established methods, achieving an F1-score up to 0.73. Additionally, we explore the method's utility for pair routine pattern analysis in real-world scenarios, providing insights into the frequency, timing, and duration of shared behaviors. This approach offers a powerful, interpretable framework for spatiotemporal behavior analysis, with potential applications in social behavior research, urban planning, and healthcare.
• Abstract（参考訳）: 時空間的対運動分析は、特定の時間枠内で個人間で共有された地理的な行動を特定することを含む。 伝統的に、このタスクは、表やビデオベースのデータに適用されるシーケンスモデリングと行動分析技術に依存しているが、これらの手法は解釈可能性や部分的マッチングの獲得に苦慮していることが多い。 本稿では,表時空間データを特定の時間ウィンドウに基づいて解釈可能なトラジェクタ画像に変換し,部分的トラジェクタ解析を可能にする,一対の時空間部分トラジェクタマッチング法を提案する。 このアプローチには、軌道のローカライズ、空間重なりのチェック、シームズニューラルネットワークを用いたペアワイズマッチングが含まれる。 我々は,コウォーキング分類タスクにおける手法の評価を行い,その効果を新しいコ行動識別アプリケーションで実証した。 我々のモデルは確立された手法を超越し、最大0.73までのF1スコアを達成する。 さらに、実世界のシナリオにおけるペアルーチンパターン分析のための手法の有用性について検討し、共有行動の頻度、タイミング、持続時間に関する洞察を提供する。 このアプローチは、時空間行動分析のための強力で解釈可能なフレームワークを提供し、社会行動研究、都市計画、医療に潜在的な応用をもたらす。

関連論文リスト

• Predicting the State of Synchronization of Financial Time Series using Cross Recurrence Plots [75.20174445166997]
  本研究では,2つの金融時系列の動的同期の将来の状態を予測する新しい手法を提案する。 我々は,同期状態の予測を方法論的に扱うためのディープラーニングフレームワークを採用する。 2つの時系列の同期状態を予測するタスクは、一般的には難しいが、ある種の在庫は、非常に良好な性能で達成できる。
  論文  参考訳（メタデータ） (2022-10-26T10:22:28Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Modelling Neighbor Relation in Joint Space-Time Graph for Video Correspondence Learning [53.74240452117145]
  本稿では、ラベルなしビデオから信頼できる視覚対応を学習するための自己教師付き手法を提案する。 接続時空間グラフでは,ノードがフレームからサンプリングされたグリッドパッチであり,2種類のエッジによってリンクされる。 学習した表現は、様々な視覚的タスクにおいて最先端の自己監督手法よりも優れています。
  論文  参考訳（メタデータ） (2021-09-28T05:40:01Z)
• Local Exceptionality Detection in Time Series Using Subgroup Discovery [0.5371337604556311]
  時系列データを用いた局所異常検出のための新しい手法を提案する。 この方法はデータ中の解釈可能なパターンを発見し、時系列の進行の理解と予測に使用できる。
  論文  参考訳（メタデータ） (2021-08-05T17:19:51Z)
• Modeling long-term interactions to enhance action recognition [81.09859029964323]
  本稿では,フレームレベルと時間レベルの両方でオブジェクト間の相互作用のセマンティクスを利用する,エゴセントリックなビデオのアンダースタンドアクションに対する新しいアプローチを提案する。 ユーザの手とほぼ対応するプライマリ領域と、相互作用するオブジェクトに対応する可能性のあるセカンダリ領域のセットを入力として、領域ベースのアプローチを使用する。 提案手法は, 標準ベンチマークの動作認識において, 最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2021-04-23T10:08:15Z)
• Hierarchical Graph-RNNs for Action Detection of Multiple Activities [20.645887084027443]
  本稿では,複数の活動を同時に行うことができる映像フレーム内の活動を空間的に局所化する手法を提案する。 本手法は,検出者の行動の時間的文脈と関係を考慮に入れたものである。
  論文  参考訳（メタデータ） (2021-01-21T12:50:02Z)
• Spatio-temporal Sequence Prediction with Point Processes and Self-organizing Decision Trees [0.0]
  分割時間予測問題に対して,ポイントプロセスに基づく予測アルゴリズムを導入する。 本アルゴリズムは,勾配に基づく最適化手法により,これらの領域間の空間事象と相互作用を共同で学習することができる。 当社のアプローチと最先端のディープラーニングベースのアプローチを比較して,大幅なパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2020-06-25T14:04:55Z)

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。