Driving pattern interpretation based on action phases clustering
원문 초록
Current approaches to identifying driving heterogeneity face challenges in comprehending fundamental patterns from the perspective of underlying driving behavior mechanisms. The concept of Action phases was proposed in our previous work, capturing the diversity of driving characteristics with physical meanings. This study presents a novel framework to further interpret driving patterns by classifying Action phases in an unsupervised manner. In this framework, a Resampling and Downsampling Method (RDM) is first applied to standardize the length of Action phases. Then the clustering calibration procedure including ''Feature Selection'', ''Clustering Analysis'', ''Difference/Similarity Evaluation'', and ''Action phases Re-extraction'' is iteratively applied until all differences among clusters and similarities within clusters reach the pre-determined criteria. Application of the framework using real-world datasets revealed six driving patterns in the I80 dataset, labeled as ''Catch up'', ''Keep away'', and ''Maintain distance'', with both ''Stable'' and ''Unstable'' states. Notably, Unstable patterns are more numerous than Stable ones. ''Maintain distance'' is the most common among Stable patterns. These observations align with the dynamic nature of driving. Two patterns ''Stable keep away'' and ''Unstable catch up'' are missing in the US101 dataset, which is in line with our expectations as this dataset was previously shown to have less heterogeneity. This demonstrates the potential of driving patterns in describing driving heterogeneity. The proposed framework promises advantages in addressing label scarcity in supervised learning and enhancing tasks such as driving behavior modeling and driving trajectory prediction.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
동질성-간결성 트레이드오프에 의한 외부 클러스터링 검증
External Clustering Validation by the Homogeneity-Parsimony Trade-off
스칼라 지표는 알려진 클래스에 대해 클러스터링을 평가하는 데 자주 사용되지만, 클러스터링은 클래스 레이블에 대해 정보를 제공하면서 불필요한 분할을 피해야 한다는 근본적인 트레이드오프를 가릴 수 있다. 본 논문에서는 이러한 트레이드오프를 정량화하는 클러스터 동질성과 간결성의 정규화된 점수를 제시한다. 이 점수들은 손실 압축을 보상하지 않도록 수정된 정보 병목(information bottleneck) 원리에 기반한다. 예시와 수학적 증명을 통해, 관련 제안들과 달리 이러한 점수 정의가 클러스터 정제(refinement) 하에서 단조적으로 변하는 직관적인 성질을 갖음을 보인다. 섀넌 엔트로피(Shannon entropies)를 넘어 정보 이론적 프레임워크를 확장하여, 동질성 및 간결성 점수의 집합 매칭(set-matching) 및 쌍 기반(pair-based) 대응체를 추가로 도출한다. 이는 일반적으로 사용되는 평가 기준을 통합하며, 쌍 기반 설정에서 동질성-간결성 트레이드오프가 이진 분류기의 수신자 조작 특성(ROC, receiver operating characteristic)을 복원함을 보인다. 프레임워크의 특징 선택 및 알고리즘 비교에 대한 유용성을 시연하며, 점수를 공동으로 고려하는 것이 클러스터링 작동점(operating points)을 명확히 하고 파레토 최적(Pareto-optimal) 해법을 식별하는 방법을 보여준다.
다변량 풍력 발전단 SCADA 데이터 필터링을 위한 군집 알고리즘
Clustering algorithms for multivariate wind farm SCADA data filtering
풍력 발전단 운전 중 감시 제어 및 데이터 수집(Supervisory Control and Data Acquisition, SCADA) 시스템은 수많은 이상(anomaly), 과도현상(transient), 특정 운전 모드를 기록하여 대규모 데이터셋을 생성한다. 그러나 다양한 응용 분야에서는 정상 운전에 해당하는 측정값만 필요하므로 SCADA 데이터를 필터링해야 한다. 이를 위해 전문가가 데이터를 시각적으로 검토하여 수행하는 수동 필터링을 자동화하고 대체하기 위한 여러 방법이 제안되었다. 본 논문에서는 수동 필터링과 여러 군집 알고리즘의 필터링 정확도를 비교하고, 라벨이 없는 데이터에 적합하며 잠재적 응용 분야 전반에 걸쳐 견고한 평가(evaluation) 지표를 도입한다. 결과를 바탕으로 서로 다른 데이터셋에 모델 보정을 일반화하는 방안에 대한 권고사항을 제시하고, 각 모델의 잠재적 활용 사례를 논의한다. 모델은 기존 해상 풍력 발전단의 3개 터빈 SCADA 데이터에 여러 데이터 채널에 걸친 10분 통계치를 사용하여 적용하였다. 일반적으로 기록되는 이상 및 운전 모드 외에도, 데이터셋은 여러 현장 시험(field test)으로 인해 뚜렷하지 않은(non-evident) 이상치(outlier)가 다수 존재한다. 전반적으로 결과는 특징 선택과 평가 지표 설계 모두에서 출력 곡선(power curve)을 넘어 분석을 확장하는 것의 중요성을 강조한다. 대부분의 경우 군집 기반 방법은 뚜렷한 이상치와 미묘한 이상치를 모두 검출할 수 있으며, 수동 필터링보다 높은 정확도를 달성한다. 그러나 정확도와 보존되는 데이터의 양은 모델에 따라 상당히 달라지며, 수동 필터링에 비해 줄어들긴 하지만 전문가의 개입은 여전히 필요하다.
효율적인 래퍼 기반 특징 선택을 통한 풍력·태양광 발전 예측 개선: 실증 연구
Improving Wind and Solar Power Prediction with Efficient Wrapper-based Feature Selection: An Empirical Study
전 세계 에너지 수요 증가와 기후 변화 및 그 영향에 대한 인식 확대에 따라, 재생 에너지가 전 세계 에너지 믹스에서 차지하는 비중은 계속 증가하고 있다. 기존 발전 방식과 달리, 재생 에너지원의 출력은 환경 조건에 대한 의존성 때문에 일관되게 제어할 수 없다. 따라서 현재 및 미래 에너지 생산을 신뢰성 있게 예측하는 것이 필수적이다. 본 논문에서는 실제 재생 에너지 예측 과제에 대한 두 가지 구조화된 문헌 검토의 결과를 보고한다: 풍력 터빈 출력 곡선 모델링과 광전(photovoltaic) 발전 예측. 전자에 대해서는 우리가 직접 포괄적인 문헌 검토를 수행하였고, 후자에 대해서는 기존 설문 조사를 바탕으로 자주 선택되는 입력 특징에 관한 핵심 발견 사항을 종합한다. 두 영역 모두에서, 우리의 분석은 이용 가능한 모니터링 및 환경 변수가 많음에도 불구하고 특징 선택을 위한 방법이 제한적이거나 체계적이지 않다는 것을 보여준다. 이 간극을 해소하기 위해, 우리는 재생 에너지 예측 파이프라인에서 자동적이고 효율적이며 신뢰할 수 있는 특징 선택을 위한 새로운 모델 불가지(model-agnostic) 클러스터링 기반 래퍼 방법인 클러스터 기반 순차 특징 선택(Cluster-based Sequential Feature Selection, CSFS)을 제안한다. 재현성과 재사용을 지원하기 위해 GitHub에 CSFS의 오픈소스 구현을 제공한다. 우리는 두 사용 사례에서 제안한 방법을 실증적으로 평가하고, 래퍼 기반 순차 특징 선택(SFS), 필터 기반 방법, Random Forest의 내장형(embedded) 특징 중요도와 같은 기존 특징 선택 기법과 비교한다. 결과는 래퍼 기반 방법이 전반적으로 더 우수한 성능의 특징 선택을 제공함을 보여준다. CSFS는 SFS와 유사한 예측 성능을 달성하면서 계산 비용을 평균 21% 감소시킨다.
네트워크 사용 가능 정보를 통한 그래프 분류: 표현 평가에서 구조 선택까지
Graph Classification via Network Usable Information: From Representation Evaluation to Structure Selection
우리는 네트워크 사용 가능 정보(NUI) 패러다임을 그래프 수준 학습으로 확장한 그래프 분류 프레임워크 NetinfoGC를 제안한다. 블랙박스 임베딩의 엔드-투-엔드 학습에 의존하는 기존 그래프 신경망 접근법과 달리, NetinfoGC는 전파 기반 메커니즘과 그래프 중심성 측도를 포함한 고전적 구조 기술자에서 도출된 순열 불변 그래프 표현 집합을 구성한다. 표현 품질을 평가하기 위해, 지도 학습 없이 태스크 관련 정보의 대리 지표를 제공하는 군집 일관성과 정답 레이블에 기반한 학습-불필요 NUI 추정 절차를 도입한다. 또한 동일한 표현을 희소 그룹 LASSO 정규화에 활용하여, 중복 기술자를 억제하면서 유익한 구조 기술자를 자동으로 선택할 수 있게 한다. 벤치마크 데이터셋에서의 실험 결과, 고전적 중심성 측도가 학습 기반 전파 표현과 높은 경쟁력을 보이며 일부 경우에는 더 우수한 성능을 달성함을 확인하였다. 나아가 추정된 NUI와 다운스트림 분류 정확도 간의 강한 상관관계를 관찰하여, NUI가 표현 유용성의 효과적인 측도임을 검증하였다. 전반적으로 NetinfoGC는 엔드-투-엔드 신경망 학습 없이도 그래프 표현을 평가하고 활용할 수 있는 통합적이고 해석 가능한 프레임워크를 제공한다.
Fast Adaptive K-Means Subspace Clustering for High-Dimensional Data
Deep sparse multi-task learning for feature selection in Alzheimer’s disease diagnosis
토론
이 논문과 연결된 포럼 글이 아직 없습니다.