...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Technometrics >A Bayesian Nonparametric Mixture Measurement Error Model With Application to Spatial Density Estimation Using Mobile Positioning Data With Multi-Accuracy and Multi-Coverage
【24h】

A Bayesian Nonparametric Mixture Measurement Error Model With Application to Spatial Density Estimation Using Mobile Positioning Data With Multi-Accuracy and Multi-Coverage

机译：贝叶斯非参数混合物测量误差模型，用于使用具有多精度和多覆盖的移动定位数据的空间密度估计

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The development of mobile network technologies has made it possible to collect location data of mobile devices through various positioning technologies. The location data can be used to estimate the spatial density of mobile devices, which in turn can be used by mobile service providers to plan for network capacity improvements. The two most prevalent positioning technologies are the assisted global positioning system (AGPS) and cell tower triangulation (CTT) methods. AGPS data provide more accurate location information than CTT data but can cover only a fraction of mobile devices, while CTT data can cover all mobile devices. Motivated by this problem, we propose a Bayesian nonparametric mixture measurement error model to estimate the spatial density function by integrating both noise-free data (i.e., AGPS data) and data contaminated with measurement errors (i.e., CTT data). The proposed model estimates the true latent locations from contaminated data, and the estimated latent locations, combined with noise-free data, are used to infer the model parameters. We model the true density function using a Dirichlet process (DP) mixture model with a bivariate beta distribution for the mixture kernel and a DP prior for the mixing distribution. The use of bivariate beta distributions for the mixture kernel allows the density function to have various shapes with a bounded support. Moreover, the use of a DP prior for the mixing distribution allows the number of mixture components to be determined automatically without being specified in advance. Therefore, the proposed model is very flexible. We demonstrate the effective performance of the proposed model via simulated and real-data examples.
机译：移动网络技术的发展已经使得可以通过各种定位技术收集移动设备的位置数据。位置数据可用于估计移动设备的空间密度，其又可以由移动服务提供商使用，以计划网络容量改进。两个最普遍的定位技术是辅助全球定位系统（AGPS）和细胞塔三角测量（CTT）方法。 AGPS数据提供比CTT数据更准确的位置信息，但只能覆盖一小部分移动设备，而CTT数据可以涵盖所有移动设备。通过该问题的激励，我们提出了一种贝叶斯非参数混合测量误差模型来估计空间密度函数来估计与测量误差（即CTT数据）污染的无噪声数据（即，AGPS数据）和数据进行污染物（即，CTT数据）。所提出的模型估计来自污染数据的真正潜在位置，并且估计的潜在位置与无噪声数据组合使用来推断模型参数。我们使用Dirichlet方法（DP）混合物模型模拟真实密度函数，其具有用于混合核和混合分布之前的混合物核和DP的生物蛋白酶β分布。用于混合物核的二抗体β分布允许密度函数具有有界支持的各种形状。此外，在混合分布之前使用DP允许在不预先指定的情况下自动确定混合组分的数量。因此，所提出的模型非常灵活。我们通过模拟和实际示例演示所提出的模型的有效性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号