用于建模和预测时空交通现象的移动传感器去中心化数据融合与主动感知
人工智能
2014-08-12 v1
摘要
对城市道路网络上的时空交通现象进行建模和预测，对于检测和预报拥堵热点等众多交通应用至关重要。本文提出了一种用于移动传感器的去中心化数据融合与主动感知（D2FAS）算法，使其能够主动探索道路网络，收集并同化最具信息量的数据以预测交通现象。我们分析了 D2FAS 的时间和通信复杂度，并证明其能很好地扩展至大量观测数据和传感器。我们为其预测性能提供了理论保证，表明其等效于高斯过程（GP）模型的复杂集中式稀疏近似：此类稀疏近似 GP 模型的计算因此可以并行化并分布在移动传感器之间（采用类似 Google MapReduce 的范式），从而实现高效且可扩展的预测。我们还从理论上保证了其主动感知性能在各种实际环境条件下均能得到提升。在真实世界城市道路网络数据上的实证评估表明，我们的 D2FAS 算法在实现可比预测性能的同时，比最先进的集中式算法具有显著更高的时间效率和可扩展性。
引用
@article{arxiv.1408.2046,
title = {Decentralized Data Fusion and Active Sensing with Mobile Sensors for Modeling and Predicting Spatiotemporal Traffic Phenomena},
author = {Jie Chen and Kian Hsiang Low and Colin Keng-Yan Tan and Ali Oran and Patrick Jaillet and John Dolan and Gaurav Sukhatme},
journal= {arXiv preprint arXiv:1408.2046},
year = {2014}
}
备注
Appears in Proceedings of the Twenty-Eighth Conference on Uncertainty in Artificial Intelligence (UAI2012)