ROAD MESH MODELLING USING THE SPATIOTEMPORAL CLUSTERIZATION
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F10%3A00171806" target="_blank" >RIV/68407700:21230/10:00171806 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21240/10:00171806
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
ROAD MESH MODELLING USING THE SPATIOTEMPORAL CLUSTERIZATION
Popis výsledku v původním jazyce
The GPS navigation is widely used aid for travelers. However, good navigation depends on good maps, which are sometimes hard to get. In this paper we explore a method to model a road mesh using self-organizing spatiotemporal data clustering of collectedGPS data. The resulting road mesh model is obtained from simulated self organizing neural network, which clusters the individual data vectors and infers the time dependencies between the clusters. This allows to detect one way roads, or slow traffic automatically. To achive this goal we model the road mesh with the Temporal Hebbian Self-organizing map (THSOM). This paper presents a novel training method for the simulated THSOM neural network, which reduces training period and improves model the convergence of original THSOM neural network. The road mesh model is obtained from real GPS data as well as from simulated data set.
Název v anglickém jazyce
ROAD MESH MODELLING USING THE SPATIOTEMPORAL CLUSTERIZATION
Popis výsledku anglicky
The GPS navigation is widely used aid for travelers. However, good navigation depends on good maps, which are sometimes hard to get. In this paper we explore a method to model a road mesh using self-organizing spatiotemporal data clustering of collectedGPS data. The resulting road mesh model is obtained from simulated self organizing neural network, which clusters the individual data vectors and infers the time dependencies between the clusters. This allows to detect one way roads, or slow traffic automatically. To achive this goal we model the road mesh with the Temporal Hebbian Self-organizing map (THSOM). This paper presents a novel training method for the simulated THSOM neural network, which reduces training period and improves model the convergence of original THSOM neural network. The road mesh model is obtained from real GPS data as well as from simulated data set.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2010
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 7th EUROSIM Congress on Modelling and Simulation, Vol. 2: Full Papers
ISBN
978-80-01-04589-3
ISSN
—
e-ISSN
—
Počet stran výsledku
4
Strana od-do
—
Název nakladatele
Department of Computer Science and Engineering, FEE, CTU in Prague
Místo vydání
Prague
Místo konání akce
Praha
Datum konání akce
6. 9. 2010
Typ akce podle státní příslušnosti
EUR - Evropská akce
Kód UT WoS článku
—