JP6853968B2 - パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム - Google Patents
パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム Download PDFInfo
- Publication number
- JP6853968B2 JP6853968B2 JP2019546701A JP2019546701A JP6853968B2 JP 6853968 B2 JP6853968 B2 JP 6853968B2 JP 2019546701 A JP2019546701 A JP 2019546701A JP 2019546701 A JP2019546701 A JP 2019546701A JP 6853968 B2 JP6853968 B2 JP 6853968B2
- Authority
- JP
- Japan
- Prior art keywords
- function
- kernel
- parameter
- sample
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Description
<f,φX> = f(x)
が成り立つことをいう。φXのことを再生核という。
本発明の理解を容易にするために、関連技術とその問題点について説明する。
本発明では、第1および第2の課題を解決するためにKernel ABCを使用し、第3の課題を解決するためにKernel Herdingを使用している。
A1.事前分布からパラメータの組をN回取り出す。
A2.N個のパラメータの組を使用して関数からデータをN回生成する。
A3.Kernel ABC
・事後分布のカーネル平均を計算することによって、観測データに近接するデータを生成す関数のパラメータを推察する。
A4.Kernel Herding
・次の繰り返しのために事後分布のカーネル平均から有益なサンプルをT回取り出す。
A5.収束するためにA2.から繰り返す。
Kernel ABCは、Kernelベイズ規則に基づいており、ベイズ規則のノンパラメトリックな実現である。
B1.事前分布からパラメータの組をN回取り出す。
B2.パラメータの組を関数にN回入力することによって、N個の関数を評価したデータを取得する。
B3.真のデータと各関数を評価したデータとの間の類似度(重み)を計算する。
B4.B1.でのパラメータの組をそれらの類似度(重み)で平均化することによって、下記数式に従って、パラメータ事後分布のカーネル平均を計算する。
Xを測度空間Ω上の値を取るランダム変数とし、kを測度空間Ω上の正定値カーネルであり、Hが正定値カーネルkによって規定された再生核ヒルベルト空間(RKHS:reproducing kernel Hilbert space)であるとする。このとき、カーネル平均は、次式で求められる。
Kernel ABCの出力は、再生核ヒルベルト空間内の事後分布のカーネル平均であるが、それ自身事後分布ではない。したがって、マルコフ連鎖モンテカルロ法に代表される事後分布からのサンプリング手法を使うことができない。しかし、Kernel Herdingは、事後分布からのサンプルを可能とする。
以上を要約すると、次のようになる。
以下では、関数が人流シミュレータである場合を例に挙げて説明するが、本発明は関数が人流シミュレータである場合に限定されないのは勿論である。人流シミュレータへの適用についてそもそも、モバイル空間統計のような、人口分布の時系列に関しての人流シミュレータのデータ同化はこれまで試みられていない。そのときに、以下の課題があり、本発明に係る提案手法ではそれに対処している。
以下に述べる実施の形態では、本発明を人流パターン推定システムに適用した場合について説明するが、上述したように、本発明は、一般的に関数のパラメータを推定するパラメータ推定システムにも適用可能である。図1は、本発明の一実施形態に係る人流パターン推定システム100の構成を示すブロック図である。
実行部224は、この類似度wiをもとに、シミュレーションされたデータに紐づいているパラメータのサンプルθiのもっともらしさを決定する。
Kernel Herding)を1回実行するよりも(Kernel ABC + Kernel Herding)を2回実行する方が、より正解データに近い人口分布を持つ推定結果が得られることが分かる。
データyを出力する関数のパラメータθを推定するパラメータ推定システムであって、
前記関数に設定する前記パラメータθを、繰り返し学習により決定する機械学習装置を備え、
前記機械学習装置は、
事前分布Pから前記パラメータθのN(Nは2以上の整数)個のサンプルθi(1≦i≦N)を取得する第1のサンプル取得部と、
前記N個のサンプルθiを順次前記関数に供給することで、それぞれ、前記関数からN個のデータyiを取得する関数実行部と、
カーネル関数kを用いて、前記N個のデータyi と正解データy*との間のN個の類似度wiを算出する類似度算出部と、
該N個の類似度wiと、前記N個のサンプルθiと、前記カーネル関数kとから、事後分布のカーネル平均μを構築するカーネル平均構築部と、
前記カーネル平均μと前記カーネル関数kとから、パラメータθのT(Tは2以上の整数)個の新たなサンプルθt(1≦t≦T)を取得する第2のサンプル取得部と、
該T個の新たなサンプルθtから選択した1つのサンプルθkを前記関数に供給することによって前記関数から得られた新たなデータykと前記正解データy*との間の差分||yk−y*||が、所定の閾値εより小さいか否かを判断するサンプル評価部と、
を備え、
前記サンプル評価部は、前記差分||yk−y*||が前記所定の閾値εより小さいと判断した場合に、前記選択したサンプルθkを、前記パラメータθとして推定し、出力することを特徴とするパラメータ推定システム。
前記第1のサンプル取得部は、前記事前分布Pのハイパーパラメータηを調整しながら、前記N個のサンプルθiを取得する、付記1に記載のパラメータ推定システム。
前記類似度算出部は、Kernel ABCアルゴリズムにより前記N個の類似度wiを算出するKernel ABC 実行部から成る、付記1又は2に記載のパラメータ推定システム。
前記Kernel ABC 実行部は、前記カーネル関数kと、グラム行列Gと、正規化項δとを用いて、前記N個のデータyiと前記正解データy*との間の前記N個の類似度wiを算出する、付記3に記載のパラメータ推定システム。
前記カーネル平均構築部は、前記N個のサンプルθiを元に、前記N個の類似度wiと前記カーネル関数kとを使い重みを再調整し、確率分布を表す前記カーネル平均μを再生核ヒルベルト空間上で構築する、付記1乃至4のいずれか1項に記載のパラメータ推定システム。
前記第2のサンプル取得部は、前記カーネル関数k、前記新たなサンプルθtおよび前記取り出すサンプル数Tと、前記カーネル平均μとの間で求められる誤差を最小化する計算を行なって、前記新たなサンプルθtを取得する、付記1乃至5のいずれか1項に記載のパラメータ推定システム。
前記サンプル評価部において、前記差分||yk−y*||が前記所定の閾値εより大きいと判断された場合に、前記関数実行部、前記類似度算出部、前記カーネル平均構築部、第2のサンプル取得部、および前記サンプル評価部の動作を繰り返す、付記1乃至6のいずれか1項に記載のパラメータ推定システム。
前記サンプル評価部において、前記差分||yk−y*||が前記所定の閾値εより大きいと判断された場合に、前記第1のサンプル取得部、前記関数実行部、前記類似度算出部、前記カーネル平均構築部、第2のサンプル取得部、および前記サンプル評価部の動作を繰り返す、付記1乃至6のいずれか1項に記載のパラメータ推定システム。
前記繰り返す動作を行なう前に、前記パラメータθの冗長性をコントロールしたい場合、前記第1のサンプル取得部は、前記事前分布Pのハイパーパラメータηを調整する、付記8に記載のパラメータ推定システム。
関数のパラメータθを推定するパラメータ推定システムにおける、前記パラメータθのサンプルから、データyを出力する前記関数を用いて、前記関数に設定する前記パラメータθを、繰り返し学習により決定するパラメータ推定方法であって、
第1のサンプル取得部が、事前分布Pから前記パラメータθのN(Nは2以上の整数)個のサンプルθi(1≦i≦N)を取得し、
関数実行部が、前記N個のサンプルθiを順次前記関数に供給することで、それぞれ、前記関数からN個のデータyiを取得し、
類似度算出部が、カーネル関数kを用いて、前記N個のデータyi と正解データy*との間のN個の類似度wiを算出し、
カーネル平均構築部が、前記N個の類似度wiと、前記N個のサンプルθiと、前記カーネル関数kとから、事後分布のカーネル平均μを構築し、
第2のサンプル取得部が、前記カーネル平均μと前記カーネル関数kとから、パラメータθのT(Tは2以上の整数)個の新たなサンプルθt(1≦t≦T)を取得し、
サンプル評価部が、前記T個の新たなサンプルθtから選択した1つのサンプルθkを前記関数に供給することによって前記関数から得られた新たなデータykと前記正解データy*との間の差分||yk−y*||が、所定の閾値εより小さいか否かを判断し、
前記サンプル評価部は、前記差分||yk−y*||が前記所定の閾値εより小さいと判断した場合に、前記選択したサンプルθkを、前記パラメータθとして推定し、出力することを特徴とするパラメータ推定方法。
関数のパラメータθを推定するパラメータ推定システムにおいて、前記パラメータθのサンプルから、データyを出力する前記関数を用いて、コンピュータに、前記関数に設定する前記パラメータθを、繰り返し学習により決定させるパラメータ推定プログラムであって、前記パラメータ推定プログラムは、前記コンピュータに、
事前分布Pから前記パラメータθのN(Nは2以上の整数)個のサンプルθi(1≦i≦N)を取得する第1のサンプル取得手順と、
前記N個のサンプルθiを順次前記関数に供給することで、それぞれ、前記関数からN個のある分布からデータyiを取得する関数実行手順と、
カーネル関数kを用いて、前記N個のデータyi と正解データy*との間のN個の類似度wiを算出する類似度算出手順と、
該N個の類似度wiと、前記N個のサンプルθiと、前記カーネル関数kとから、事後分布のカーネル平均μを構築するカーネル平均構築手順と、
前記カーネル平均μと前記カーネル関数kとから、パラメータθのT(Tは2以上の整数)個の新たなサンプルθt(1≦t≦T)を取得する第2のサンプル取得手順と、
該T個の新たなサンプルθtから選択した1つのサンプルθkを前記関数に供給することによって前記関数から得られた新たなデータykと前記正解データy*との間の差分||yk−y*||が、所定の閾値εより小さいか否かを判断するサンプル評価手順と、
を実行させ、
前記サンプル評価手順は、前記コンピュータに、前記差分||yk−y*||が前記所定の閾値εより小さいと判断した場合に、前記選択したサンプルθkを、前記パラメータθとして推定させ、出力させることを特徴とするパラメータ推定プログラム。
200 データ処理装置
210 人流シミュレータ(関数)
220 機械学習装置
221 データ入力部
222 第1のサンプル取得部(事前分布からのサンプル取得部)
223 シミュレーション実行部(関数実行部)
224 Kernel ABC 実行部(類似度算出部)
225 カーネル平均構築部
226 第2のサンプル取得部(事後分布からのサンプル取得部)
227 サンプル評価部
300 記憶装置
310 処理情報
320 プログラム
400 入力装置
500 出力装置
Claims (10)
- データyを出力する関数のパラメータθを推定するパラメータ推定システムであって、
前記関数に設定する前記パラメータθを、繰り返し学習により決定する機械学習装置を備え、
前記機械学習装置は、
事前分布Pから前記パラメータθのN(Nは2以上の整数)個のサンプルθi(1≦i≦N)を取得する第1のサンプル取得部と、
前記N個のサンプルθiを順次前記関数に供給することで、それぞれ、前記関数からN個のデータyiを取得する関数実行部と、
カーネル関数kを用いて、前記N個のデータyi と正解データy*との間のN個の類似度wiを算出する類似度算出部と、
該N個の類似度wiと、前記N個のサンプルθiと、前記カーネル関数kとから、事後分布のカーネル平均μを構築するカーネル平均構築部と、
前記カーネル平均μと前記カーネル関数kとから、パラメータθのT(Tは2以上の整数)個の新たなサンプルθt(1≦t≦T)を取得する第2のサンプル取得部と、
該T個の新たなサンプルθtから選択した1つのサンプルθkを前記関数に供給することによって前記関数から得られた新たなデータykと前記正解データy*との間の差分||yk−y*||が、所定の閾値εより小さいか否かを判断するサンプル評価部と、
を備え、
前記サンプル評価部は、前記差分||yk−y*||が前記所定の閾値εより小さいと判断した場合に、前記選択したサンプルθkを、前記パラメータθとして推定し、出力することを特徴とするパラメータ推定システム。 - 前記第1のサンプル取得部は、前記事前分布Pのハイパーパラメータηを調整しながら、前記N個のサンプルθiを取得する、請求項1に記載のパラメータ推定システム。
- 前記類似度算出部は、Kernel ABCアルゴリズムにより前記N個の類似度wiを算出するKernel ABC 実行部から成る、請求項1又は2に記載のパラメータ推定システム。
- 前記Kernel ABC 実行部は、前記カーネル関数kと、グラム行列Gと、正規化項δとを用いて、前記N個のデータyiと前記正解データy*との間の前記N個の類似度wiを算出する、請求項3に記載のパラメータ推定システム。
- 前記カーネル平均構築部は、前記N個のサンプルθiを元に、前記N個の類似度wiと前記カーネル関数kとを使い重みを再調整し、確率分布を表す前記カーネル平均μを再生核ヒルベルト空間上で構築する、請求項1乃至4のいずれか1項に記載のパラメータ推定システム。
- 前記第2のサンプル取得部は、前記カーネル関数k、前記新たなサンプルθtおよび前記取り出すサンプル数Tと、前記カーネル平均μとの間で求められる誤差を最小化する計算を行なって、前記新たなサンプルθtを取得する、請求項1乃至5のいずれか1項に記載のパラメータ推定システム。
- 前記サンプル評価部において、前記差分||yk−y*||が前記所定の閾値εより大きいと判断された場合に、前記関数実行部、前記類似度算出部、前記カーネル平均構築部、第2のサンプル取得部、および前記サンプル評価部の動作を繰り返す、請求項1乃至6のいずれか1項に記載のパラメータ推定システム。
- 前記サンプル評価部において、前記差分||yk−y*||が前記所定の閾値εより大きいと判断された場合に、前記第1のサンプル取得部、前記関数実行部、前記類似度算出部、前記カーネル平均構築部、第2のサンプル取得部、および前記サンプル評価部の動作を繰り返す、請求項1乃至6のいずれか1項に記載のパラメータ推定システム。
- 関数のパラメータθを推定するパラメータ推定システムにおける、前記パラメータθのサンプルから、データyを出力する前記関数を用いて、前記関数に設定する前記パラメータθを、繰り返し学習により決定するパラメータ推定方法であって、
第1のサンプル取得部が、事前分布Pから前記パラメータθのN(Nは2以上の整数)個のサンプルθi(1≦i≦N)を取得し、
関数実行部が、前記N個のサンプルθiを順次前記関数に供給することで、それぞれ、前記関数からN個のデータyiを取得し、
類似度算出部が、カーネル関数kを用いて、前記N個のデータyi と正解データy*との間のN個の類似度wiを算出し、
カーネル平均構築部が、前記N個の類似度wiと、前記N個のサンプルθiと、前記カーネル関数kとから、事後分布のカーネル平均μを構築し、
第2のサンプル取得部が、前記カーネル平均μと前記カーネル関数kとから、パラメータθのT(Tは2以上の整数)個の新たなサンプルθt(1≦t≦T)を取得し、
サンプル評価部が、前記T個の新たなサンプルθtから選択した1つのサンプルθkを前記関数に供給することによって前記関数から得られた新たなデータykと前記正解データy*との間の差分||yk−y*||が、所定の閾値εより小さいか否かを判断し、
前記サンプル評価部は、前記差分||yk−y*||が前記所定の閾値εより小さいと判断した場合に、前記選択したサンプルθkを、前記パラメータθとして推定し、出力することを特徴とするパラメータ推定方法。 - 関数のパラメータθを推定するパラメータ推定システムにおいて、前記パラメータθのサンプルから、データyを出力する前記関数を用いて、コンピュータに、前記関数に設定する前記パラメータθを、繰り返し学習により決定させるパラメータ推定プログラムであって、前記パラメータ推定プログラムは、前記コンピュータに、
事前分布Pから前記パラメータθのN(Nは2以上の整数)個のサンプルθi(1≦i≦N)を取得する第1のサンプル取得手順と、
前記N個のサンプルθiを順次前記関数に供給することで、それぞれ、前記関数からN個のある分布からデータyiを取得する関数実行手順と、
カーネル関数kを用いて、前記N個のデータyi と正解データy*との間のN個の類似度wiを算出する類似度算出手順と、
該N個の類似度wiと、前記N個のサンプルθiと、前記カーネル関数kとから、事後分布のカーネル平均μを構築するカーネル平均構築手順と、
前記カーネル平均μと前記カーネル関数kとから、パラメータθのT(Tは2以上の整数)個の新たなサンプルθt(1≦t≦T)を取得する第2のサンプル取得手順と、
該T個の新たなサンプルθtから選択した1つのサンプルθkを前記関数に供給することによって前記関数から得られた新たなデータykと前記正解データy*との間の差分||yk−y*||が、所定の閾値εより小さいか否かを判断するサンプル評価手順と、
を実行させ、
前記サンプル評価手順は、前記コンピュータに、前記差分||yk−y*||が前記所定の閾値εより小さいと判断した場合に、前記選択したサンプルθkを、前記パラメータθとして推定させ、出力させることを特徴とするパラメータ推定プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017193245 | 2017-10-03 | ||
JP2017193245 | 2017-10-03 | ||
PCT/JP2018/036731 WO2019069865A1 (ja) | 2017-10-03 | 2018-10-01 | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019069865A1 JPWO2019069865A1 (ja) | 2020-10-22 |
JP6853968B2 true JP6853968B2 (ja) | 2021-04-07 |
Family
ID=65994734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019546701A Active JP6853968B2 (ja) | 2017-10-03 | 2018-10-01 | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11636399B2 (ja) |
JP (1) | JP6853968B2 (ja) |
WO (1) | WO2019069865A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7164799B2 (ja) * | 2018-06-07 | 2022-11-02 | 日本電気株式会社 | 分析装置、分析方法およびプログラム |
JP2023090405A (ja) * | 2021-12-17 | 2023-06-29 | 富士通株式会社 | 予測プログラム、予測方法、予測装置、および予測システム |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5950146A (en) * | 1996-10-04 | 1999-09-07 | At & T Corp. | Support vector method for function estimation |
US6112195A (en) * | 1997-03-27 | 2000-08-29 | Lucent Technologies Inc. | Eliminating invariances by preprocessing for kernel-based methods |
US6789069B1 (en) * | 1998-05-01 | 2004-09-07 | Biowulf Technologies Llc | Method for enhancing knowledge discovered from biological data using a learning machine |
US7805388B2 (en) * | 1998-05-01 | 2010-09-28 | Health Discovery Corporation | Method for feature selection in a support vector machine using feature ranking |
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
US7421417B2 (en) * | 2003-08-28 | 2008-09-02 | Wisconsin Alumni Research Foundation | Input feature and kernel selection for support vector machine classification |
US8645294B1 (en) * | 2004-02-03 | 2014-02-04 | Hrl Laboratories, Llc | Method for image registration utilizing particle swarm optimization |
US7272587B1 (en) * | 2005-01-28 | 2007-09-18 | Hrl Laboratories, Llc | Generation of decision trees by means of a probabilistic model |
US8005770B2 (en) * | 2008-06-09 | 2011-08-23 | Microsoft Corporation | Parallel generation of a bayesian network |
US8533129B2 (en) * | 2008-09-16 | 2013-09-10 | Yahoo! Inc. | Efficient data layout techniques for fast machine learning-based document ranking |
US9715723B2 (en) * | 2012-04-19 | 2017-07-25 | Applied Materials Israel Ltd | Optimization of unknown defect rejection for automatic defect classification |
JP5952724B2 (ja) | 2012-12-05 | 2016-07-13 | 株式会社日立製作所 | 人流調査支援システム及び方法 |
JP2015022354A (ja) | 2013-07-16 | 2015-02-02 | 株式会社東芝 | 商品情報提供システム、商品情報提供方法、サーバおよびプログラム |
US9558452B2 (en) * | 2013-11-08 | 2017-01-31 | Microsoft Technology Licensing, Llc | Hierarchical statistical model for behavior prediction and classification |
US9652722B1 (en) * | 2013-12-05 | 2017-05-16 | The Mathworks, Inc. | Methods and systems for robust supervised machine learning |
WO2016067369A1 (ja) | 2014-10-28 | 2016-05-06 | 株式会社日立製作所 | 人流分析システムおよび人流分析方法 |
US10360601B1 (en) * | 2014-12-11 | 2019-07-23 | Alexander Omeed Adegan | Method for generating a repair estimate through predictive analytics |
JP6397380B2 (ja) | 2015-07-30 | 2018-09-26 | 日本電信電話株式会社 | 時空間変数予測装置及びプログラム |
US11069082B1 (en) * | 2015-08-23 | 2021-07-20 | AI Incorporated | Remote distance estimation system and method |
US10783589B2 (en) * | 2018-11-03 | 2020-09-22 | International Business Machines Corporation Armonk | Detection of abnormal estimates |
US11306162B2 (en) * | 2019-04-17 | 2022-04-19 | Exxonmobil Chemical Patents Inc. | Metallocenes with two -Si-Si- bridges |
US10646156B1 (en) * | 2019-06-14 | 2020-05-12 | Cycle Clarity, LLC | Adaptive image processing in assisted reproductive imaging modalities |
US10958869B1 (en) * | 2019-11-14 | 2021-03-23 | Huawei Technologies Co., Ltd. | System, device and method for video frame interpolation using a structured neural network |
US11409629B1 (en) * | 2021-03-05 | 2022-08-09 | Sift Science, Inc. | Systems and methods for optimizing a machine learning-informed automated decisioning workflow in a machine learning task-oriented digital threat mitigation platform |
-
2018
- 2018-10-01 JP JP2019546701A patent/JP6853968B2/ja active Active
- 2018-10-01 WO PCT/JP2018/036731 patent/WO2019069865A1/ja active Application Filing
- 2018-10-01 US US16/753,266 patent/US11636399B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JPWO2019069865A1 (ja) | 2020-10-22 |
WO2019069865A1 (ja) | 2019-04-11 |
US20200250586A1 (en) | 2020-08-06 |
US11636399B2 (en) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Data modeling versus simulation modeling in the big data era: case study of a greenhouse control system | |
JP6853955B2 (ja) | 人流パターン推定システム、人流パターン推定方法および人流パターン推定プログラム | |
Kewlani et al. | A polynomial chaos approach to the analysis of vehicle dynamics under uncertainty | |
US20190019082A1 (en) | Cooperative neural network reinforcement learning | |
US20180268286A1 (en) | Neural network cooperation | |
EP3716160A1 (en) | Learning parameters of a probabilistic model comprising gaussian processes | |
US20160210681A1 (en) | Product recommendation device, product recommendation method, and recording medium | |
JP6749282B2 (ja) | 人流量予測装置、人流量予測方法、及び人流量予測プログラム | |
Murphy et al. | Risky planning on probabilistic costmaps for path planning in outdoor environments | |
JP5071851B2 (ja) | 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 | |
Prado et al. | Bayesian additive regression trees with model trees | |
Clay et al. | Towards real-time crowd simulation under uncertainty using an agent-based model and an unscented kalman filter | |
US20230042979A1 (en) | Systems and methods of hybrid algorithms for solving discrete quadratic models | |
JP2018195244A (ja) | Odトラヒック予測装置、方法、及びプログラム | |
JP6853968B2 (ja) | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム | |
Shang et al. | Short-term traffic flow prediction model using particle swarm optimization–based combined kernel function-least squares support vector machine combined with chaos theory | |
Barua et al. | Planning maintenance and rehabilitation activities for airport pavements: A combined supervised machine learning and reinforcement learning approach | |
Batty | Visually-driven urban simulation: Exploring fast and slow change in residential location | |
Koduvely | Learning Bayesian Models with R | |
JP6665071B2 (ja) | 人流量予測装置、人流量予測方法、及び人流量予測プログラム | |
Griffin | Sequential Monte Carlo methods for mixtures with normalized random measures with independent increments priors | |
Manolopoulou et al. | Bayesian spatio-dynamic modeling in cell motility studies: Learning nonlinear taxic fields guiding the immune response | |
JP2020190959A (ja) | モデル生成装置、システム、パラメータ算出装置、モデル生成方法、パラメータ算出方法およびプログラム | |
Prabowo et al. | Continually learning out-of-distribution spatiotemporal data for robust energy forecasting | |
Blume | Agent-based models for policy analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200401 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200401 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210203 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210225 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6853968 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |