A Time-Inhomogeneous Markov Model for Resource Availability under Sparse Observations

要約

現在の状況に関する正確な時空間情報は、最新のルーティング アルゴリズムなどのスマート シティ アプリケーションにとって非常に重要です。
多くの場合、この情報は固定リソースの状態を説明します。
駐車場、充電ステーションの空き状況、または特定の場所の近くで車が迎えに来るのを待っている人の数。
この種の情報を活用するには、リソースが必要になるまでの時間内に状態が変化する可能性があるため、監視対象リソースの将来の状態を予測することが必須となることがよくあります。
正確な予測モデルをトレーニングするには、リソースの状態に関する連続時系列を取得できないことがよくあります。
たとえば、不規則な頻度でリソースを訪問する旅行代理店から情報が収集される場合があります。
したがって、トレーニングと予測のためにまばらな観察に取り組む方法を開発する必要があります。
この論文では、観測頻度が非常にまれな場合でも正確な予測を可能にする、時間不均一な離散マルコフ モデルを提案します。
私たちの新しいモデルは、最近の観察と過去のデータを融合することができ、将来の状態についての有用な確率的推定も提供します。
都市のリソースの可用性は通常時間に依存するため、マルコフ モデルは時間不均一で、事前定義された時間間隔内で周期的です。
モデルをトレーニングするために、修正された Baum-Welch アルゴリズムを提案します。
駐車場の空き状況に関する現実世界のデータセットを評価したところ、完全なデータや非循環バリアントでトレーニングされた方法と比較して、私たちの新しい方法が確かに良い結果をもたらしていることがわかりました。

要約(オリジナル)

Accurate spatio-temporal information about the current situation is crucial for smart city applications such as modern routing algorithms. Often, this information describes the state of stationary resources, e.g. the availability of parking bays, charging stations or the amount of people waiting for a vehicle to pick them up near a given location. To exploit this kind of information, predicting future states of the monitored resources is often mandatory because a resource might change its state within the time until it is needed. To train an accurate predictive model, it is often not possible to obtain a continuous time series on the state of the resource. For example, the information might be collected from traveling agents visiting the resource with an irregular frequency. Thus, it is necessary to develop methods which work on sparse observations for training and prediction. In this paper, we propose time-inhomogeneous discrete Markov models to allow accurate prediction even when the frequency of observation is very rare. Our new model is able to blend recent observations with historic data and also provide useful probabilistic estimates for future states. Since resources availability in a city is typically time-dependent, our Markov model is time-inhomogeneous and cyclic within a predefined time interval. To train our model, we propose a modified Baum-Welch algorithm. Evaluations on real-world datasets of parking bay availability show that our new method indeed yields good results compared to methods being trained on complete data and non-cyclic variants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google