面向异质动态速度场的可扩展非参数贝叶斯学习
机器学习
2021-02-16 v1 机器学习
统计方法学
摘要
复杂时空数据中异质模式的分析在应用科学与工程各领域均有应用,包括训练自动驾驶车辆在复杂交通场景中导航。受交通领域应用的启发,本文开发了一种用于学习异质动态速度场数据模式的模型。我们借鉴了层次狄利克雷过程和无限隐马尔可夫模型等基本非参数贝叶斯建模要素,而每个同质速度场要素的平滑性由高斯过程先验刻画。特别关注的是所提模型的可扩展近似推断方法;这通过采用无限 HMM 模型的序贯 MAP 估计和高效的序贯 GP 后验计算技术实现,该技术被证明在模拟数据集上有效。最后,我们向 NGSIM 复杂多车交互数据集展示了我们技术的有效性。
引用
@article{arxiv.2102.07695,
title = {Scalable nonparametric Bayesian learning for heterogeneous and dynamic velocity fields},
author = {Sunrit Chakraborty and Aritra Guha and Rayleigh Lei and XuanLong Nguyen},
journal= {arXiv preprint arXiv:2102.07695},
year = {2021}
}
备注
5 tables, 8 figures