[论文解读] 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 9

一句话总结

本文提出了一种协作式并行粒子滤波框架——模型平均粒子滤波（MAPF），用于状态空间模型中的在线贝叶斯推断与模型选择，特别应用于城市交通场景，实现实时交通模式检测（如公交车、步行、骑行）。该方法使用多个并行粒子滤波器，每个对应一个候选模型，根据各模型的后验概率动态分配计算资源（粒子），实现鲁棒的跟踪与模型选择，仅需极少调参，在合成数据与真实城市交通数据上均表现出色。

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.

研究动机与目标

• 解决状态空间模型中未知动态与观测模型下的序列状态估计与在线模型选择联合问题。
• 开发一种计算高效且自适应的框架，实现实时城市交通场景下的交通模式检测。
• 通过基于动态粒子分配的协作式并行粒子滤波器，实现在多个模型上的分布式推断。
• 为具有多个候选模型的复杂非线性、非高斯系统提供一种鲁棒、灵活且可扩展的序列贝叶斯推断解决方案。
• 在真实世界城市交通数据上验证该方法的有效性，包括模式检测与轨迹跟踪。

提出的方法

• 该方法采用多个并行粒子滤波器，每个对应有限候选模型集合中的一个独立状态空间模型。
• 每个粒子滤波器通过重要性采样与重采样执行序列贝叶斯推断，以近似隐藏状态的后验分布。
• 滤波器通过根据各模型的后验概率动态重新分配总粒子数实现协作，确保将更多计算资源分配给更可能的模型。
• 利用基于粒子的近似方法，顺序估计各模型的边际似然（贝叶斯证据），实现在线模型比较。
• 该框架支持时变模型，并可通过自动程序自适应调整关键参数（如模型评估的时间窗口TV）。
• 该方法基于贝叶斯模型平均（BMA），实现模型的协调组合与不确定性量化。

实验结果

研究问题

• RQ1 在具有多个候选模型的非线性、非高斯状态空间模型中，如何实现在线模型选择与状态估计的同步进行？
• RQ2 当各模型的后验概率事先未知时，如何高效且自适应地在多个粒子滤波器之间分配计算资源（粒子）？
• RQ3 协作式并行粒子滤波框架在真实世界交通数据中，是否能优于标准的多模型粒子滤波器，在轨迹跟踪精度与模型选择可靠性方面表现更优？
• RQ4 动态粒子分配策略如何影响边际似然估计与整体推断性能？
• RQ5 所提出的方法在多大程度上能够处理时变模型与复杂交通模式（如城市环境中模式切换）？

主要发现

• 在真实世界数据上，MAPF框架在所有交通模式下的轨迹跟踪平均均方误差（MSE）为3.14米。
• 当仅限于公交车与火车时，MSE降低至1.17米，表明在高速交通模式检测中具有高精度。
• 在采用自动自适应程序（pr = 0.1）时，MSE仅略微上升至1.38米（公交车与火车），表明对参数调优具有强鲁棒性。
• 该方法优于标准的多模型Bootstrap粒子滤波器，后者在所有模式下的MSE为4.76米，公交车与火车的MSE为1.59米。
• 在模式检测中，当时间窗口（TV）设定在50至200秒之间时，该方法在超过82%的情况下正确识别了真实的交通模式。
• 粒子滤波系统在检测模式转换方面表现优异，例如在赫尔辛基中央车站，能准确识别出公交车、步行与火车之间的切换。