GeoSDVA: A Semi-Supervised Dirichlet Variational Autoencoder Model for Transportation Mode Identification
Notice bibliographique
Résumé
Inferring the transportation modes of travelers is an essential part of intelligent transportation systems. With the development of mobile services, it is easy to effectively obtain massive location readings of travelers with GPS-enabled smart devices, such as smartphones. These readings make understanding human activities very convenient. Therefore, how to automatically infer transportation modes from these massive readings has come into the spotlight. The existing methods for transportation mode identification are usually based on supervised learning. However, the raw GPS readings do not contain any labels, and it is expensive and time-consuming to annotate sufficient samples for training supervised learning-based models. In addition, not enough attention is paid to the problem that GPS readings collected in urban areas are affected by surrounding geographic information (e.g., the level of road transportation or the distribution of stations). To solve this problem, a geographic information-fused semi-supervised method based on a Dirichlet variational autoencoder, named GeoSDVA, is proposed in this paper for transportation mode identification. GeoSDVA first fuses the motion features of the GPS trajectories with the nearby geographic information. Then, both labeled and unlabeled trajectories are used to train the semi-supervised model based on the Dirichlet variational autoencoder architecture for transportation mode identification. Experiments on three real GPS trajectory datasets demonstrate that GeoSDVA can train an excellent transportation mode identification model with only a few labeled trajectories.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».