Mode tracking using multiple data streams

بیشتر کارهای موجود در فهم اطلاعات تمرکز بر ترکیب اطلاعات با معنای به اصطلاح به یک هدف مشخص از پیش تعیین شده است. در مقابل، ما به جای آن هدف کشف دانش مستقل از دانش بالا از جریان داده های همه جا حاضر است. این مقاله یک روش برای شناسایی و ردیابی حالت های پنهان مفهومی است که به طور کامل برای درک عملکردهای محیط های پیچیده و گامی مهم در جهت ایجاد سیستم های هوشمند هوشمند هستند. ما یک سناریو برای تجزیه و تحلیل استفاده از یک ناوگان اتوبوس های شهرستان، جایی که هدف این است که به طور خودکار کشف و ردیابی حالت مانند مسیر بزرگراه، ترافیک سنگین، و یا راننده تهاجمی، بر اساس سیگنال های در دسترس در دسترس است. روش ما پیشنهاد می شود بر اساس جمع آوری داده ها در طول زمان است، از آنجا که حالت های سطح بالا تنها در چشم انداز بلند ظاهر می شود. ما از طریق ویژگی های مختلف و زیر مجموعه ای از داده ها را جستجو می کنیم و آن ها را شناسایی می کنیم که به خوشه بندی خوب منجر می شود، تفسیر آن خوشه ها را به عنوان مدل اولیه و خشن از حالت های آینده. ما از ردیابی بیزی برای بهبود پارامترهای این مدلها براساس داده های جدید استفاده می کنیم، در حالی که در عین حال با توجه به اینکه چگونه حالت ها در طول زمان تکامل می یابند. آزمایشات با داده های مصنوعی در سطوح مختلف پیچیدگی و همچنین در مجموعه داده های دنیای واقعی اثربخشی روش پیشنهادی را در کشف دقیق حالت ها نشان می دهد و در تعیین اینکه کدام یک از بهترین مشاهدات فعلی از جریان داده های متعدد را توضیح دهد، اثبات شده است.