4 A Model for Destination and Route

4 A Model for Destination and Route Prediction
The problem above can be modeled as a Markov chain reproducing the state of
a system with a random variable for the nal destination that changes through
time. A state coincides with an observation and the distribution for this variable
depends only on the distribution of the previous observations. Given a Markov
chain and a sequence of observations, it is possible to predict the resulting state
distribution [2]. Unfortunately, such approach fails in practice: (i) it predicts
only the nal destination and not the route; (ii) it is designed to work on precise
GPS data, thus it suers the problems we discussed above when used with noisy
location information. The rst problem can be faced with a model where l is a
known location and every state represents a transition from location l to l0 with
a pair (l0jl) [23]. By considering a n order Markov Model, this approach predicts
all the possible routes for the user by considering, for every transition, all the n
transitions that it has seen before. Unfortunately, Markov chains are not
exible
w.r.t. the order n (which is xed and has to be chosen at design time), so it is not
easy to nd a compromise between the right complexity and a good prediction.

ผลลัพธ์ (ไทย) 1:

4 แบบจำลองสำหรับทำนายเส้นทางและปลายทางปัญหาข้างต้นสามารถถูกจำลองเป็นโซ่ Markov สร้างสถานะของระบบที่ มีตัวแปรสุ่มสำหรับปลายทาง nal ที่เปลี่ยนผ่านครั้ง สถานะเกิดขึ้นพร้อมกับการสังเกตและการแจกแจงตัวแปรนี้ขึ้นอยู่กับการกระจายของข้อสังเกตก่อนหน้านี้เท่านั้น รับแบบ Markovโซ่และลำดับของการสังเกต เป็นการคาดการณ์สถานะผลการกระจาย [2] อับ วิธีดังกล่าวล้มเหลวในทางปฏิบัติ: (i) ยังคาดการณ์ปลาย nal และไม่เส้นทาง (ii) ออกแบบการทำงานแม่นยำข้อมูล GPS ดังนั้นจึง su ers ปัญหาเรากล่าวข้างต้นเมื่อใช้กับเสียงดังข้อมูลตำแหน่งที่ตั้ง ปัญหา rst สามารถเผชิญกับแบบจำลองโดยที่ l คือการตำแหน่งรู้จักและทุกรัฐแสดงถึงการเปลี่ยนจากตำแหน่ง l เพื่อ l0 ด้วยคู่ (l0jl) [23] คาดการณ์ โดยพิจารณาใบสั่ง n รุ่น Markov วิธีการนี้เส้นทางเป็นไปได้สำหรับผู้ใช้โดยพิจารณา สำหรับทุกการเปลี่ยนแปลง n ทั้งหมดช่วงที่มันได้เห็นมาก่อน อับ Markov chains ไม่ exibleน้อย ๆ wrt n สั่ง (ซึ่ง xed และมีให้คุณเลือกในขณะออกแบบ), ดังนั้นจึงไม่ง่ายต่อการ nd ประนีประนอมระหว่างความซับซ้อนเหมาะสมและการคาดเดาที่ดี

ผลลัพธ์ (ไทย) 2:

4 รุ่นสำหรับปลายทางและการทำนายเส้นทาง
ปัญหาดังกล่าวสามารถนำมาจำลองเป็นห่วงโซ่มาร์คอฟทำซ้ำสถานะของ
ระบบที่มีตัวแปรสุ่มสำหรับปลายทาง NAL ที่มีการเปลี่ยนแปลงผ่าน
เวลา รัฐเกิดขึ้นพร้อมกับการสังเกตและการกระจายของตัวแปรนี้
ขึ้นอยู่กับการกระจายของการสังเกตก่อนหน้านี้ รับมาร์คอฟ
โซ่และลำดับของการสังเกตก็เป็นไปได้ที่จะคาดการณ์ส่งผลให้รัฐ
จัดจำหน่าย [2] แต่น่าเสียดายที่วิธีการดังกล่าวล้มเหลวในการปฏิบัติ: (i) การคาดการณ์
เท่านั้นปลายทาง NAL และไม่ใช่เส้นทาง; (ii) มันถูกออกแบบให้ทำงานบนแม่นยำ
ข้อมูล GPS จึง Su? ERS ปัญหาที่เรากล่าวถึงข้างต้นเมื่อใช้กับมีเสียงดัง
ข้อมูลสถานที่ ปัญหาแรกที่สามารถเผชิญกับรูปแบบที่ L เป็น
สถานที่ที่รู้จักและทุกรัฐแสดงให้เห็นถึงการเปลี่ยนแปลงจาก l สถานที่ตั้งเพื่อ l0 กับ
คู่ (l0jl) [23] โดยพิจารณาการสั่งซื้อมาร์คอฟรุ่นวิธีนี้คาดการณ์
ทุกเส้นทางที่เป็นไปได้สำหรับผู้ใช้โดยการพิจารณาสำหรับทุกการเปลี่ยนแปลงทั้งหมดที่ n
เปลี่ยนว่าจะได้เห็นมาก่อน แต่น่าเสียดายที่โซ่มาร์คอฟไม่ได้
ยืดหยุ่น
w.rt เอ็นไม่มีคำสั่งซื้อ (ซึ่งเป็นคงที่และมีการได้รับการเลือกเวลาในการออกแบบ) ดังนั้นมันไม่ได้เป็น
เรื่องง่ายที่จะ ND ประนีประนอมระหว่างความซับซ้อนที่เหมาะสมและการทำนายที่ดี