Probabilistic Modeling of Mobile Agents' Trajectories
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JC - Počítačový hardware a software
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
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