[論文レビュー] Cooperative Parallel Particle Filters for online model selection and applications to Urban Mobility

Luca Martino, Jesse Read+2 more|viXra|Sep 25, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 35被引用数 9

ひとこと要約

本稿では、状態空間モデルにおけるオンラインベイズ推論およびモデル選択のための協調的並列パーティクルフィルタフレームワーク、Model Averaging Particle Filters (MAPF) を提案する。特に、都市移動における交通手段のリアルタイム検出（例：バス、歩行、自転車）に応用されている。この手法は、複数の並列パーティクルフィルタを用い、各フィルタが候補モデルに対応し、各モデルの後erior確率に応じて計算リソース（パーティクル）を動的に割り当てることで、最小限のチューニングで高い性能を発揮し、合成および実世界の移動データにおいても、ロバストな追跡とモデル選択を実現する。

ABSTRACT

We design a sequential Monte Carlo scheme for the dual purpose of Bayesian inference and model selection. We consider the application context of urban mobility, where several modalities of transport and different measurement devices can be employed. Therefore, we address the joint problem of online tracking and detection of the current modality. For this purpose, we use interacting parallel particle filters, each one addressing a different model. They cooperate for providing a global estimator of the variable of interest and, at the same time, an approximation of the posterior density of each model given the data. The interaction occurs by a parsimonious distribution of the computational effort, with online adaptation for the number of particles of each filter according to the posterior probability of the corresponding model. The resulting scheme is simple and flexible. We have tested the novel technique in different numerical experiments with artificial and real data, which confirm the robustness of the proposed scheme.

研究の動機と目的

• 未知のダイナミクスと観測モデルを有する状態空間モデルにおいて、逐次的状態推定とオンラインモデル選択を同時に解決すること。
• 都市移動の文脈における交通手段のリアルタイム検出のための計算効率的で適応的なフレームワークを構築すること。
• 複数のモデル間で分散推論を可能にする、並列パーティクルフィルタが動的パーティクル割り当てを通じて協調する仕組みを実現すること。
• 複数の候補モデルを有する非線形的・非ガウス的系における逐次ベイズ推論のためのロバストで柔軟かつスケーラブルなソリューションを提供すること。
• 実世界の都市移動データ、特にモード検出と軌道追跡において、手法の有効性を実証すること。

提案手法

• 複数の並列パーティクルフィルタを用い、有限な候補モデルの集合から各々が異なる状態空間モデルに対応する。
• 各パーティクルフィルタは、重要度サンプリングとリサンプリングを用いて、隠れ状態の後erior分布を近似する逐次ベイズ推論を実行する。
• フィルタは、各モデルの後erior確率に応じて、全パーティクル数を動的に各フィルタに再割り当てすることで協調する。これにより、尤もらしいモデルに高い計算リソースが割り当てられる。
• 各モデルの周辺尤度（ベイズ的証拠）は、パーティクルベースの近似を用いて逐次的に推定され、オンラインでのモデル比較が可能になる。
• フレームワークは時変モデルをサポートし、モデル評価の時間窓（TV）などの主要パラメータの適応的チューニングが、自動的手順により可能である。
• このアプローチはベイズモデル平均（BMA）に裏打ちされており、一貫性のあるモデルの組み合わせと不確実性の定量化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 複数の候補モデルを有する非線形的・非ガウス的状態空間モデルにおいて、どのようにしてオンラインでのモデル選択と状態推定を同時に実行できるか？
• RQ2 各モデルの後erior確率が事前に不明な状況下で、複数のパーティクルフィルタ間で計算リソース（パーティクル）を効率的かつ適応的に割り当てる方法は何か？
• RQ3 協調的並列パーティクルフィルタフレームワークは、実世界の移動データにおいて、標準的な複数モデルブートストラップパーティクルフィルターよりも追跡精度とモデル選択の信頼性に優れているか？
• RQ4 動的パーティクル割り当て戦略は、周辺尤度推定と全体的な推論性能にどのように影響を与えるか？
• RQ5 提案手法は、時間変動するモデルや、都市環境におけるモード切り替えのような複雑な移動パターンをどの程度処理できるか？

主な発見

• 実世界のデータを用いた軌道追跡において、MAPFフレームワークは全交通手段で平均平方二乗誤差（MSE）が3.14メートルであった。
• バスと電車に限定した場合、MSEは1.17メートルに低下し、高速移動モードの検出において高い精度を示した。
• 自動適応的手順（pr = 0.1）を用いた場合、バスと電車のMSEはわずかに1.38メートルに増加したが、パラメータチューニングに対して強いロバストネスを示した。
• 標準的な複数モデルブートストラップパーティクルフィルターは、全モードでMSEが4.76メートル、バスと電車では1.59メートルであったのに対し、本手法はそれを上回った。
• モード検出において、時間窓（TV）を50〜200秒の範囲に設定した場合、82％以上のケースで真の交通手段を正しく同定した。
• パーティクルフィルターシステムは、ヘリネチ駅での移動モードの切り替え（バス・歩行・電車）を正確に検出する強力な性能を示した。