An Ising Model for Road Traffic Inference
Résumé
We review some properties of the ''belief propagation'' algorithm, a distributed iterative map, used to perform Bayesian inference and present some recent work where this algorithm serves as a starting point to encode observation data into a probabilistic model and to process large scale information in real time. A natural approach is based on the linear response theory and various recent instantiations are presented. We will focus on the particular situation where the data have many different statistical components, representing a variety of independent patterns. As an application, the problem of reconstructing and predicting traffic states based on floating car data is then discussed.
Nous passons en revue quelques propriétés de l'algorithme de "propagation de croyances", un algorithme distribué itératif, utilisé pour effectuer des tâches d'inférence Bayésienne, et nous présentons des travaux récents où cet algorithme sert de point de départ à la fois pour encoder des données d'observation dans un modèle probabiliste et pour traiter une grande quantité d'information en temps réel. Une approche naturelle est basée sur le théorie de la réponse linéaire et des mises en oeuvre récentes sont présentées. Nous nous concentrons en particulier sur la situation où les données correspondent à une disribution multi-modale, chacun des modes représentant des patrons indépendants. En guise d'application, nous discutons le problème de reconstruction et de prédiction de trafic, basé sur des données flottantes.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...