Publikace detail

Statistical and Nature-Inspired Modeling of Vehicle Flows by Using Finite Mixtures of Simple Circular Normal Distributions

Autoři: Kromer Pavel | Hasal Martin | Nowakova Jana | Heckenbergerová Jana | Musilek Petr

Rok: 2020

Druh publikace: článek v odborném periodiku

Název zdroje: IEEE Intelligent Transportation Systems Magazine

Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)

Místo vydání: New York

Strana od-do: 182-194

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte