文献

J-GLOBAL ID：201702211882750901   整理番号：17A0826549

スパース移動センサデータからの推定車両軌跡のためのモード活性に基づく確率モデル【Powered by NICT】

Modal Activity-Based Stochastic Model for Estimating Vehicle Trajectories from Sparse Mobile Sensor Data

著者 (4件)： Hao Peng (Center for Environmental Research and Technology, University of California, Riverside, CA, USA) ,  Boriboonsomsin Kanok (Center for Environmental Research and Technology, University of California, Riverside, CA, USA) ,  Wu Guoyuan (Center for Environmental Research and Technology, University of California, Riverside, CA, USA) ,  Barth Matthew J. (Center for Environmental Research and Technology, University of California, Riverside, CA, USA)
資料名： IEEE Transactions on Intelligent Transportation Systems  (IEEE Transactions on Intelligent Transportation Systems)
巻： 18  号： 3  ページ： 701-711  発行年： 2017年 
JST資料番号： W1272A  ISSN： 1524-9050  CODEN： ITISFG  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 位置と速度を測定するプローブ車両が交通データ収集と性能測定のための有望なツールとして出現しているが,最も現在利用可能なプローブ車両センサデータのサンプリング速度が低い(試料当たり10~60sの範囲)と,データ範囲は限られている。,はこれらのまばらなモバイルセンサデータに基づく空間と時間の両方で車両の動的状態を正確に推定することは困難である。本論文では,確率的モデルは,まばらな位置と速度測定からの連続データ点間のモード活性(すなわち,加速,減速,走行,及びアイドリング)のすべての可能な配列を調べることにより,二毎の車両速度軌跡を推定するために提案される。各逐次パターンの発生の可能性は,最初の事前分布をモード特異的で定量化した。車両動的状態確率は複数の独立した事象の確率の積として定式化した。,詳細な車両速度軌跡は最適モード活性配列,尤度を最大にすることを用いて再構成することができた。提案したモデルは,次世代シミュレーションデータセットを用いて較正し,検証した。結果は,線形内挿に基づくベースライン法と比べて,推定された車両軌跡の精度にかなりの改善を示した。提案したモデルは,大規模車両活動データセットに適用した時間交通遅延変動の推定を実証することである。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *確率モデル ,  再構成 ,  *透視図法 ,  線形性 ,  定式化 ,  データ収集 ,  内挿法 ,  速度測定 ,  *軌跡
準シソーラス用語： 尤度 ,  事前分布 ,  サンプリング速度 ,  *センサデータ ,  プローブ車両 ,  *モバイルセンサー , 【Automatic Indexing@JST】

分類 (2件)： 交通調査  (TB01031B) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 移動センサ ,  推定 ,  軌跡 ,  活性 ,  確率モデル