Login for students

Login for employees

Publication detail

Statistical and Nature-Inspired Modeling of Vehicle Flows by Using Finite Mixtures of Simple Circular Normal Distributions
Authors: Kromer Pavel | Hasal Martin | Nowakova Jana | Heckenbergerová Jana | Musilek Petr
Year: 2020
Type of publication: článek v odborném periodiku
Name of source: IEEE Intelligent Transportation Systems Magazine
Publisher name: IEEE (Institute of Electrical and Electronics Engineers)
Place: New York
Page from-to: 182-194
Titles:
Language Name Abstract Keywords
cze Statistické a Meta-heuristické modelování toků vozidel pomocí konečných směsí jednoduchých kruhových distribucí Reprezentace, vizualizace a modelování dopravních dat je srdcem inteligentních dopravních systémů. Existují různé typy dat a hledají se nové způsoby jejich přesného znázornění a modelování, které jsou užitečné pro další analýzy, simulace a optimalizace. V této práci jsou lokalizační dopravní toky reprezentovány konečnými směsmi kruhových (von Mises) statistických distribucí. Parametry distribucí se určují z empirických dat dvěma variantami: E-M algoritmem a metodou heuristickou metodou diferenciální evolucí (DE). Navrhovaný statistický model a přizpůsobovací strategie jsou vyhodnocovány na reálných souborech dat popisujících dopravní toky v New Yorku. Experimentální výsledky ukazují, že algoritmus EM je schopen najít parametry modelu, které odpovídají vstupním datům a které jsou lepší než jejich analytické odhady, zatímco DE vyvíjí ještě přesnější modely. Modely založené na kruhových distribucích mohou být reprezentovány kruhovými grafy jako nový typ vizuálně přitažlivých a snadno interpretovatelných dopravních toků. Datové modely; Analytické modely; Řízení dopravy; Autonomní vozidla; Strojové učení; Vizualizace
eng Statistical and Nature-Inspired Modeling of Vehicle Flows by Using Finite Mixtures of Simple Circular Normal Distributions The representation, visualization, and modeling of traffic data is at the heart of intelligent transportation systems. Different types of traffic data exist, and novel ways of their accurate representation and modeling, which are useful for further analyses, simulations, and optimizations, are sought. In this work, location-specific traffic flows are represented by finite mixtures of circular normal (von Mises) statistical distributions. The parameters of the distributions are learned from empirical data by two variants of the expectation-maximization (EM) algorithm and by a nature-inspired method, differential evolution (DE). A proposed statistical model and a fitting strategy are evaluated on real-world data sets describing traffic flows in New York City. The experimental results show that the EM algorithm is able to find model parameters that correspond to input data and that are better than their analytic estimates, while DE evolves even more accurate models. The models based on circular distributions can be represented by circular plots as a novel type of visually appealing and easily interpretable fingerprints of the underlying traffic flow patterns. Data models; Analytical models; Traffic control; Autonomous vehicles; Machine learning; Visualization

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives