WEKO3
アイテム
潜在パターン抽出による行動誘導：ユーザ軌跡分析における次元性駆動型イノベーション
https://doi.org/10.15118/0002000404
https://doi.org/10.15118/0002000404f50bb505-0a8c-4de3-a732-8c1d8a906b0d
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
A552_Abstract.pdf (345 KB)
|
|
|
|
A552.pdf (8.8 MB)
|
|
| アイテムタイプ | 学位論文 / Thesis or Dissertation(1) | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2025-11-13 | |||||||||||
| タイトル | ||||||||||||
| タイトル | Behavioral Guidance via Latent Pattern Extraction: Dimensionality-Driven Innovations in User Trajectory Analysis | |||||||||||
| 言語 | en | |||||||||||
| タイトル | ||||||||||||
| タイトル | 潜在パターン抽出による行動誘導：ユーザ軌跡分析における次元性駆動型イノベーション | |||||||||||
| 言語 | ja | |||||||||||
| 言語 | ||||||||||||
| 言語 | eng | |||||||||||
| 資源タイプ | ||||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_db06 | |||||||||||
| 資源タイプ | doctoral thesis | |||||||||||
| ID登録 | ||||||||||||
| ID登録 | 10.15118/0002000404 | |||||||||||
| ID登録タイプ | JaLC | |||||||||||
| アクセス権 | ||||||||||||
| アクセス権 | open access | |||||||||||
| アクセス権URI | http://purl.org/coar/access_right/c_abf2 | |||||||||||
| 著者 |
ホアン, シュニン
× ホアン, シュニン
|
|||||||||||
| 抄録 | ||||||||||||
| 内容記述タイプ | Abstract | |||||||||||
| 内容記述 | To address the risk level assessment of multi-view traffic risk records, we propose a Self-weighted Multiview Spectral Clustering on Multiple Manifolds (SwMMC) algorithm. SwMMC leverages the Constrained Laplacian Rank framework to directly partition data by imposing rank constraints on the similarity matrix, eliminating the need for post-processing steps like K-means. To reduce noise, it combines similarity measures from both high-dimensional and projected low-dimensional spaces during matrix construction. By alternatingly optimizing the ideal affinity matrix and view weights, SwMMC adaptively fuses multiple views. Comparative experiments on two real-world datasets demonstrate its superior performance in risk level classification across diverse conditions. For traffic networks, traffic signal control is crucial for improving transportation efficiency. Traditional reinforcement learning methods for traffic control have problems like slow learning speed and poor adaptability to new situations. To solve these issues, we introduce MetaSignal, a meta-reinforcement learning approach that uses Fourier basis linear function approximation. This approach maps high-dimensional traffic states to low-dimensional linear combinations via Fourier basis, reducing memory and computation costs while capturing feature interactions like queue intensity and phase time. Combined with a model-agnostic meta-learning framework, MetaSignal enables fast adaptation to dynamic traffic without extensive retraining. Empirically, the proposed method shows promising and stable performance for traffic signal control through comprehensive comparison experiments in both synthetic and real-world traffic networks. In summary, this research proposes two paradigm-specific frameworks for behavioral trajectory guidance: SwMMC for multi-view traffic risk assessment and MetaSignal for traffic signal control. By integrating constrained spectral ranking and Fourier basis approximation, the study advances dimensionality-adaptive methodologies, demonstrating enhanced performance in risk classification and traffic control across real-world scenarios. |
|||||||||||
| 言語 | en | |||||||||||
| 抄録 | ||||||||||||
| 内容記述タイプ | Abstract | |||||||||||
| 内容記述 | 多視点交通リスク記録のリスクレベル評価を課題として，本研究では自己重み付き多流形多視点スペクトラルクラスタリング（Self-weighted Multiview Spectral Clustering on Multiple Manifolds: SwMMC）アルゴリズムを提案する。SwMMC は，制約付きラプラシアンランクフレームワークを利用し，類似度行列にランク制約を課すことでデータを直接分割し，K-means などの事後処理ステップを不要とする。ノイズ低減のため，行列構築時に高次元空間と射影された低次元空間の双方の類似度測度を組み合わせる。理想的なアフィニティ行列と視点重みを交互に最適化することで，SwMMC は多視点を適応的に融合する。2 つの実データセットにおける比較実験により，多様な条件下でのリスクレベル分類において優れた性能が実証された。 交通ネットワークにおいて，交通信号制御は輸送効率向上の鍵となる。伝統的な交通制御用強化学習手法は学習速度が遅く，新しい状況への適応性が低いという問題を有する。これらの課題を解決するため，本研究ではフーリエ基底線形関数近似を用いたメタ強化学習アプローチである MetaSignal を導入する。当該アプローチは，フーリエ基底を介して高次元交通状態を低次元の線形結合に写像することで，メモリと計算コストを削減しながら，車列密度や相位時間などの特徴の相互作用を捉える。モデル非依存メタ学習フレームワークと組み合わせることで，MetaSignal は大規模な再学習を必要とせずに動的な交通状況への高速適応を可能にする。実験的には，合成および実世界の交通ネットワークにおける包括的な比較実験を通じて，提案手法が交通信号制御において有望かつ安定した性能を示した。 本研究は行動軌跡ガイダンスのための2つのパラダイム固有のフレームワークを提案した：多視点交通リスク評価用の SwMMC と交通信号制御用の MetaSignal。制約付きスペクトラルランキングとフーリエ基底近似を統合することで，本研究は次元適応的手法を進展させ，実世界のシナリオにおけるリスク分類と交通制御における性能向上を実証した。 |
|||||||||||
| 言語 | ja | |||||||||||
| 学位授与機関 | ||||||||||||
| 学位授与機関識別子Scheme | kakenhi | |||||||||||
| 学位授与機関識別子 | 10103 | |||||||||||
| 学位授与機関名 | 室蘭工業大学 | |||||||||||
| 言語 | ja | |||||||||||
| 学位授与機関名 | Muroran Institute of Technology | |||||||||||
| 言語 | en | |||||||||||
| 学位名 | ||||||||||||
| 学位名 | 博士（工学） | |||||||||||
| 言語 | ja | |||||||||||
| 学位の種別 | ||||||||||||
| 言語 | ja | |||||||||||
| 値 | 課程博士 | |||||||||||
| 学位授与番号 | ||||||||||||
| 学位授与番号 | 甲第552号 | |||||||||||
| 報告番号 | ||||||||||||
| 言語 | ja | |||||||||||
| 値 | 甲第552号 | |||||||||||
| 学位記番号 | ||||||||||||
| 言語 | ja | |||||||||||
| 値 | 博甲第552号 | |||||||||||
| 研究科・専攻 | ||||||||||||
| 言語 | ja | |||||||||||
| 値 | 工学専攻 | |||||||||||
| 学位授与年月日 | ||||||||||||
| 学位授与年月日 | 2025-09-24 | |||||||||||
| 著者版フラグ | ||||||||||||
| 出版タイプ | VoR | |||||||||||
| 出版タイプResource | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |||||||||||
