Real-time reconstruction of fragmented trajectories: An integrated machine learning and behavior-based spatiotemporal framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High-quality road user trajectories are essential for various transportation applications. Despite the significant advancement of detection and tracking technologies, observed trajectories often suffer from several issues that impact their applicability, such as intrinsic errors, noise, and fragmentation. This paper introduces a real-time reconstruction framework for road user trajectories, designed to reconstruct coherent trajectories from potentially fragmented segments. The framework begins with processing the raw trajectories to extract several dynamic features such as velocity, acceleration, curvature, and heading. A Random Forest classifier is then utilized to identify trajectory segments likely belonging to the same path. The classifier incorporates the Subsequence Dynamic Time Warping (sDTW) metric and other spatiotemporal features. Next, similar segments are grouped into cohesive clusters where a trajectory reconstruction module merges the identified segments and interpolates missing segments using the Gaussian kernel-based regression. Finally, the reconstructed trajectories are smoothed using integrated wavelet transforms and Savitzky-Golay filters. The framework was trained and validated using trajectory data acquired from the Lyft Level 5 AV dataset. We focused on the reconstruction of pedestrian and cyclist trajectories due to their inherent complexity and unpredictability. Validation results confirmed the accuracy of the different system components as well as the accuracy of the reconstructed trajectories compared to ground truth data (RMSE of 0.1138 m and MAPE of 0.01%). Computational assessments indicate that the framework scales linearly with data size, with optimal performance for real-time applications achieved for 5- to 10-minute windows.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle