Probabilistic Modeling of Mobile Agents' Trajectories

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F10%3A00177699" target="_blank" >RIV/68407700:21230/10:00177699 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.springerlink.com/content/978-3-642-15419-5#section=759276&page=1&locus=0" target="_blank" >http://www.springerlink.com/content/978-3-642-15419-5#section=759276&page=1&locus=0</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-15420-1_6" target="_blank" >10.1007/978-3-642-15420-1_6</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Probabilistic Modeling of Mobile Agents' Trajectories

Popis výsledku v původním jazyce

We present a method for learning characteristic motion patterns of mobile agents. The method works on two levels. On the first level, it uses the expectation-maximization algorithm to build a Gaussian mixture model of the spatial density of agents' movement. On the second level, agents' trajectories as expressed as sequences of the components of the mixture model; the sequences are subsequently used to train hidden Markov models. The trained hidden Markov models are then employed to determine agent type, predict further agent movement or detect anomalous agents. The method has been evaluated in the maritime domain using ship trajectory data generated by the AgentC maritime traffic simulation.

Název v anglickém jazyce

Probabilistic Modeling of Mobile Agents' Trajectories

Popis výsledku anglicky

We present a method for learning characteristic motion patterns of mobile agents. The method works on two levels. On the first level, it uses the expectation-maximization algorithm to build a Gaussian mixture model of the spatial density of agents' movement. On the second level, agents' trajectories as expressed as sequences of the components of the mixture model; the sequences are subsequently used to train hidden Markov models. The trained hidden Markov models are then employed to determine agent type, predict further agent movement or detect anomalous agents. The method has been evaluated in the maritime domain using ship trajectory data generated by the AgentC maritime traffic simulation.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2010

Kód důvěrnosti údajů

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

Název statě ve sborníku

Agents and Data Mining Interaction

ISBN

978-3-642-15419-5

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

12

Strana od-do

59-70

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Mississippi

Datum konání akce

8. 4. 2010

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000286775400006