Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Recursive mixture estimation with univariate multimodal Poisson variable

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F22%3A00557467" target="_blank" >RIV/67985556:_____/22:00557467 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Recursive mixture estimation with univariate multimodal Poisson variable

  • Popis výsledku v původním jazyce

    Analysis of count variables described by the Poisson distribution is required in many application fields. Examples of the count variables observed per a time unit can be, e.g., number of customers, passengers, road accidents, Internet traffic packet arrivals, bankruptcies, virus attacks, etc. If the behavior of such a variable exhibits a multimodal character, the problem of clustering and classification of incoming count data arises. This issue can touch, for instance, detecting clusters of the different behavior of drivers in traffic flow analysis as well as cyclists or pedestrians. This work focuses on the model-based clustering of Poisson-distributed count data with the help of the recursive Bayesian estimation of the mixture of Poisson components. The aim of the work is to explain the methodology in details with an illustrative simple example, so that the work is limited to the univariate case and static pointer.

  • Název v anglickém jazyce

    Recursive mixture estimation with univariate multimodal Poisson variable

  • Popis výsledku anglicky

    Analysis of count variables described by the Poisson distribution is required in many application fields. Examples of the count variables observed per a time unit can be, e.g., number of customers, passengers, road accidents, Internet traffic packet arrivals, bankruptcies, virus attacks, etc. If the behavior of such a variable exhibits a multimodal character, the problem of clustering and classification of incoming count data arises. This issue can touch, for instance, detecting clusters of the different behavior of drivers in traffic flow analysis as well as cyclists or pedestrians. This work focuses on the model-based clustering of Poisson-distributed count data with the help of the recursive Bayesian estimation of the mixture of Poisson components. The aim of the work is to explain the methodology in details with an illustrative simple example, so that the work is limited to the univariate case and static pointer.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    10103 - Statistics and probability

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/8A19009" target="_blank" >8A19009: Arrowhead Tools for Engineering of Digitalisation Solutions</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů