文献

J-GLOBAL ID：201702265494160182   整理番号：17A1351950

データスパース性下での移動ルート予測に対するハイブリッドモデル【Powered by NICT】

A hybrid model towards moving route prediction under data sparsity

著者 (5件)： Wang Liang (Xi’an University of Science and Technology, Xi’an, China 710054) ,  Wang Mei (Xi’an University of Science and Technology, Xi’an, China 710054) ,  Ku Tao (Shenyang Institute of Automation (SIA), Chinese Academy of Sciences, Shenyang, China 110016) ,  Cheng Yong (Xi’an University of Science and Technology, Xi’an, China 710054) ,  Guo Xinying (Xi’an University of Science and Technology, Xi’an, China 710054)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： Fusion  ページ： 1-8  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 移動ルート予測はターゲット広告と都市交通管理のような多くの新しい,位置認識アプリケーションのために重要な利点を提供する。経路予測への一般的なアプローチは,大容量歴史的軌跡からの類似した微量記録と一致しており,望ましい回答として標的記録された経路を回復することである。しかし,プライバシー関心事,インセンティブ機構と他の理由,特に中小企業環境により,スパーストラジェクトリーを用いた限られたデータセットだけで利用可能である。,既存のまばらなデータセットに十分な質問経路をカバーすることができず,整合ベースアプローチは全く結果を返すない可能性がある。さらに,既存のスパースデータセットは一般的な環境で動作する多くの軌道マイニング手法を失敗する可能性がある。本論文では,スパース軌道データセットからの移動経路予測を検討し,上記の問題を解決するために,すなわちHMRP,新しいハイブリッドモデルを提案した。空間セマンティック層上のまばらな分布を避けるために,意味論的変換における疎な軌跡に対応するために提案されている道路ネットワークマップ再構成法。そして,歴史的軌跡を訓練することにより,陰的移動パターンとMarkov遷移モデルを構築経路予測を支持した。質問軌道が到着すると,それに由来する潜在的目的地に向けて,筆者らが提案したHMRPモデルは補完的な方法で徐々にその将来の経路を予測するためのパターンマッチング戦略とMarkov確率分布を統合している。実生活タクシーGPS記録されたデータセット上での実験を行い,HMRP法は予測精度を著しく改善し,ベースライン予測アルゴリズムと比較してできることを実証した。また各質問軌道の応答時間が最も適用事例に適している。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： 道路網 ,  確率分布 ,  再構成 ,  軌跡 ,  *透視図法 ,  都市交通 ,  *予測 ,  意味論 ,  応用プログラム ,  応答時間 ,  パターンマッチング ,  プライバシー ,  GPS
準シソーラス用語： GPS【位置決め】 ,  予測精度 ,  *ハイブリッドモデル , 【Automatic Indexing@JST】

分類 (1件)： データ保護  (JD01020V)

タイトルに関連する用語 (3件)： スパース性 ,  予測 ,  ハイブリッドモデル