Approximate Algorithms for the Network Pricing Problem with Congestion - MS T...Desirée Rigonat
Presentation for the final dissertation for my MS degree in Computer Science & Engineering.
Subject is Mathematical Optimization in the field of Network Pricing Problems.
This work is the result of a research carried on from September 2011 to August 2012; part of this work has been developed at the Graphes et Optimisation Mathématique (G.O.M.) group of the Université Libre de Bruxelles, under the supervision of Professor Martine Labbé; further development and experimentation have been carried on at the Laboratorio di Ricerca Operativa of the Università degli studi di Trieste with Professor Lorenzo Castelli as supervisor.
Network Anomaly Detection col Conformal PredictionGiuseppe Luciano
Implementazione di un offline network anomaly detector che utilizza l'agoritmo di Conformal Prediction.
Vi sono anche i risultati degli esperimenti effettuati sul dataset MAWI
Questo articolo affronta l’estrazione dei dati dai due maggiori Social Network attualmente presenti: Facebook e Twitter. Con l’avvento dei Social Network ogni giorno viene generata e memorizzata una quantità enorme di informazioni. I Social Network rappresentano quindi una fonte potenzialmente infinita di dati degli utenti, i quali possono essere sfruttati sia a scopi scientifici sia a scopi commerciali. I Social Network, al fine di permettere lo sviluppo di un ecosistema di applicazioni attorno alla propria piattaforma, mettono a disposizione delle interfacce per permettere l’accesso ai dati dei propri utenti (nel rispetto della loro privacy). Tuttavia, poiché essi fondano il loro stesso modello di business su tali dati, ne consegue che le modalità di accesso ai dati e la quantità di dati estraibili dai Social Network è molto ridotta. In questo articolo si affrontano dapprima le modalità di accesso legale ai dati di Facebook e Twitter, presentando degli esempi pratici, e successivamente si affronta una discussione sulle modalità alternative (solitamente associate al Web Scraping) di estrazione dei dati dai Social Network. Si evidenziano perciò le limitazioni quantitative e qualitative delle interfacce d’accesso ai dati dei Social Network così come le limitazioni tecniche che permettono o impediscono l’estrazione dei dati non autorizzata.
Approximate Algorithms for the Network Pricing Problem with Congestion - MS T...Desirée Rigonat
Presentation for the final dissertation for my MS degree in Computer Science & Engineering.
Subject is Mathematical Optimization in the field of Network Pricing Problems.
This work is the result of a research carried on from September 2011 to August 2012; part of this work has been developed at the Graphes et Optimisation Mathématique (G.O.M.) group of the Université Libre de Bruxelles, under the supervision of Professor Martine Labbé; further development and experimentation have been carried on at the Laboratorio di Ricerca Operativa of the Università degli studi di Trieste with Professor Lorenzo Castelli as supervisor.
Network Anomaly Detection col Conformal PredictionGiuseppe Luciano
Implementazione di un offline network anomaly detector che utilizza l'agoritmo di Conformal Prediction.
Vi sono anche i risultati degli esperimenti effettuati sul dataset MAWI
Questo articolo affronta l’estrazione dei dati dai due maggiori Social Network attualmente presenti: Facebook e Twitter. Con l’avvento dei Social Network ogni giorno viene generata e memorizzata una quantità enorme di informazioni. I Social Network rappresentano quindi una fonte potenzialmente infinita di dati degli utenti, i quali possono essere sfruttati sia a scopi scientifici sia a scopi commerciali. I Social Network, al fine di permettere lo sviluppo di un ecosistema di applicazioni attorno alla propria piattaforma, mettono a disposizione delle interfacce per permettere l’accesso ai dati dei propri utenti (nel rispetto della loro privacy). Tuttavia, poiché essi fondano il loro stesso modello di business su tali dati, ne consegue che le modalità di accesso ai dati e la quantità di dati estraibili dai Social Network è molto ridotta. In questo articolo si affrontano dapprima le modalità di accesso legale ai dati di Facebook e Twitter, presentando degli esempi pratici, e successivamente si affronta una discussione sulle modalità alternative (solitamente associate al Web Scraping) di estrazione dei dati dai Social Network. Si evidenziano perciò le limitazioni quantitative e qualitative delle interfacce d’accesso ai dati dei Social Network così come le limitazioni tecniche che permettono o impediscono l’estrazione dei dati non autorizzata.
Extended Summary of Optimized Design of a Human Intranet NetworkOlesiaRonzon
This research proposes a methodology for the exploration of the design space (DSE) of a Human Intranet (HI), or a network architecture, consisting of a Wireless Body Area Network (WBAN).
Leverage Mixed Integer Linear Programming (MILP) to generate possible network configurations based on energy estimates. In addition, an accurate simulation of discrete events is used to verify the feasibility of the proposed configurations based on reliability constraints.
Prometheus as exposition format for eBPF programs running on KubernetesLeonardo Di Donato
The kernel knows more than our programs. Stop bloating our applications with copy-and-paste instrumentation code for metrics. Let's go look under the hoods!
Nowadays every application exposes their metrics via an HTTP endpoint readable by using Prometheus. Nevertheless, this very common pattern, by definition only exposes metrics regarding the specific applications being observed.
This talk, and its companion slides, wants to expose the idea, and a reference implementation (https://github.com/bpftools/kube-bpf), of using eBPF programs to collect and automatically expose applications and kernel metrics via a Prometheus endpoint.
It walks through the architecture of the proposed reference implementation - a Kubernetes operator with a custom resource for eBPF programs - and finally links to a simple demo showing how to use it to grab and present some metrics without having touched any application running on the demo cluster.
---
Talk given at Cloud_Native Rejekts EU - Barcelona, Spain - on May 18th, 2019
The State of the Art of OpenMetrics and some fundamentals novelties about it. What it is? Why do we need it? In case we really need it.
Cloud_Native Rejekts EU 2019 - Barcelona, Spain - May 19th 2019.
This talk shows how to extract (structured) value from the huge amount of (unstructured) information that logs contain using InfluxData technologies.
Particularly the task is achieved using two pieces of code I wrote: the influxdata/go-syslog library and the Telegraf Syslog Input Plugin.
The slides demonstrate how to parse logs and to store consequent time-series data into InfluxDB.
At this point it is possible to visualize them via the new Chronograf's Log Viewer, eliciting new meaningful metrics to plot (eg., number of process OOM killed) processing them via a Kapacitor UDF.
The stack used to achieve this is:
- Telegraf with the syslog input plugin, which uses this blazing fast go-syslog parser
- Chronograf with its new Log Viewer
- InfluxDB
- Kapacitor
Companion source code and repository is at http://bit.ly/logs-2-metrics-influx-code
Topic Modeling for Information Retrieval and Word Sense Disambiguation tasksLeonardo Di Donato
Experimental work done regarding the use of Topic Modeling for the implementation and the improvement of some common tasks of Information Retrieval and Word Sense Disambiguation.
First of all it describes the scenario, the pre-processing pipeline realized and the framework used. After we we face a discussion related to the investigation of some different hyperparameters configurations for the LDA algorithm.
This work continues dealing with the retrieval of relevant documents mainly through two different approaches: inferring the topics distribution of the held out document (or query) and comparing it to retrieve similar collection’s documents or through an approach driven by probabilistic querying. The last part of this work is devoted to the investigation of the word sense disambiguation task.
Si presenta (e discute) un sistema il cui fine è quello di abilitare la connettività, comunicazione e collaborazione fra utenti che si trovano in prossimità tra di essi, anche in situazioni di mobilità.
Un sistema con infrastruttura "device-as-infrastructure".
Extended Summary of Optimized Design of a Human Intranet NetworkOlesiaRonzon
This research proposes a methodology for the exploration of the design space (DSE) of a Human Intranet (HI), or a network architecture, consisting of a Wireless Body Area Network (WBAN).
Leverage Mixed Integer Linear Programming (MILP) to generate possible network configurations based on energy estimates. In addition, an accurate simulation of discrete events is used to verify the feasibility of the proposed configurations based on reliability constraints.
Prometheus as exposition format for eBPF programs running on KubernetesLeonardo Di Donato
The kernel knows more than our programs. Stop bloating our applications with copy-and-paste instrumentation code for metrics. Let's go look under the hoods!
Nowadays every application exposes their metrics via an HTTP endpoint readable by using Prometheus. Nevertheless, this very common pattern, by definition only exposes metrics regarding the specific applications being observed.
This talk, and its companion slides, wants to expose the idea, and a reference implementation (https://github.com/bpftools/kube-bpf), of using eBPF programs to collect and automatically expose applications and kernel metrics via a Prometheus endpoint.
It walks through the architecture of the proposed reference implementation - a Kubernetes operator with a custom resource for eBPF programs - and finally links to a simple demo showing how to use it to grab and present some metrics without having touched any application running on the demo cluster.
---
Talk given at Cloud_Native Rejekts EU - Barcelona, Spain - on May 18th, 2019
The State of the Art of OpenMetrics and some fundamentals novelties about it. What it is? Why do we need it? In case we really need it.
Cloud_Native Rejekts EU 2019 - Barcelona, Spain - May 19th 2019.
This talk shows how to extract (structured) value from the huge amount of (unstructured) information that logs contain using InfluxData technologies.
Particularly the task is achieved using two pieces of code I wrote: the influxdata/go-syslog library and the Telegraf Syslog Input Plugin.
The slides demonstrate how to parse logs and to store consequent time-series data into InfluxDB.
At this point it is possible to visualize them via the new Chronograf's Log Viewer, eliciting new meaningful metrics to plot (eg., number of process OOM killed) processing them via a Kapacitor UDF.
The stack used to achieve this is:
- Telegraf with the syslog input plugin, which uses this blazing fast go-syslog parser
- Chronograf with its new Log Viewer
- InfluxDB
- Kapacitor
Companion source code and repository is at http://bit.ly/logs-2-metrics-influx-code
Topic Modeling for Information Retrieval and Word Sense Disambiguation tasksLeonardo Di Donato
Experimental work done regarding the use of Topic Modeling for the implementation and the improvement of some common tasks of Information Retrieval and Word Sense Disambiguation.
First of all it describes the scenario, the pre-processing pipeline realized and the framework used. After we we face a discussion related to the investigation of some different hyperparameters configurations for the LDA algorithm.
This work continues dealing with the retrieval of relevant documents mainly through two different approaches: inferring the topics distribution of the held out document (or query) and comparing it to retrieve similar collection’s documents or through an approach driven by probabilistic querying. The last part of this work is devoted to the investigation of the word sense disambiguation task.
Si presenta (e discute) un sistema il cui fine è quello di abilitare la connettività, comunicazione e collaborazione fra utenti che si trovano in prossimità tra di essi, anche in situazioni di mobilità.
Un sistema con infrastruttura "device-as-infrastructure".
Sistema Rilevamento Transiti (SRT) - Software Analysis and Design
Continuous Time Bayesian Network Classifiers, M.Sc Thesis
1. Università degli Studi di Milano-Bicocca
Dipartimento di Informatica, Sistemistica e Comunicazione
Corso di Laurea Magistrale in Informatica
Continuous Time
Bayesian Network Classifiers
Relatore: Prof. Fabio Stella
Correlatore: Dott. Daniele Codecasa
Leonardo Di Donato
Matr. n. 744739
24 settembre 2013
Anno accademico 2012-2013
2. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
classificazione di dati temporali
problemi
Gesture recognition
Trading
Log analysis
GPS data
Traffic
Medicine
Biology
approcci
DBN
(Dean & Kanazawa 1989)
DTW
(Keogh 1999)
CTBN
(Nodelman 2002)
CTBNC
(Stella & Amer 2012)
Introduzione 1 / 14
3. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
contributi
• realizzazione di un pacchetto R per il framework delle CTBN
◦ apprendimento parametri CTBN e apprendimento CTBNC
◦ apprendimento strutturale CTBN
◦ classificazione supervisionata CTBNC
• progettazione e implementazione di una RTE1
di TSIS2
◦ software per il monitoraggio e tracciamento del passaggio di veicoli sui
sensori delle reti stradali
◦ creazione modelli di traffico
◦ generazione di dataset per le CTBN
• applicazione dei CTBNC al problema della classificazione di profili di
traffico
1
Estensione a tempo d’esecuzione.
2
Ambiente di sviluppo integrato per la creazione e simulazione di modelli di traffico, supportato
dalla Federal Highway Administration (FHWA).
Introduzione 2 / 14
4. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
dynamic bayesian networks
Cosa sono?
Estensione temporale delle Bayesian Network.
Modellano la dinamica di un sistema suddividendo il tempo in intervalli di
egual durata.
Come?
Rappresentano le distribuzioni delle transizioni di stato effettuate dalle
variabili casuali in un intervallo di tempo tramite una BN.
svantaggi
• granularità temporale fissata a priori
• difficoltà nella rappresentazione di sistemi i cui processi evolvono con
differenti granularità temporali
Introduzione 3 / 14
5. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
dynamic bayesian networks
Cosa sono?
Estensione temporale delle Bayesian Network.
Modellano la dinamica di un sistema suddividendo il tempo in intervalli di
egual durata.
Come?
Rappresentano le distribuzioni delle transizioni di stato effettuate dalle
variabili casuali in un intervallo di tempo tramite una BN.
svantaggi
• granularità temporale fissata a priori
• difficoltà nella rappresentazione di sistemi i cui processi evolvono con
differenti granularità temporali
Introduzione 3 / 14
6. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
dynamic bayesian networks
Cosa sono?
Estensione temporale delle Bayesian Network.
Modellano la dinamica di un sistema suddividendo il tempo in intervalli di
egual durata.
Come?
Rappresentano le distribuzioni delle transizioni di stato effettuate dalle
variabili casuali in un intervallo di tempo tramite una BN.
svantaggi
• granularità temporale fissata a priori
• difficoltà nella rappresentazione di sistemi i cui processi evolvono con
differenti granularità temporali
Introduzione 3 / 14
7. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time bayesian networks
Definizione (Nodelman 2002)
Sia X un insieme di processi di Markov X1 , X2 , . . . , XN a tempo continuo e
con spazio degli stati finito val(Xn) = { x1 , . . . , xJ } (dove n = 1 , . . . , N).
X1
{ x1,1 , . . . , x1, J1
}
X2
{ x2,1 , . . . , x2, J2
}
X3
{ x3,1 , . . . , x3, J3
}
X4
{ x4,1 , . . . , x4, J4
}
X5
{ x5,1 , . . . , x5, J5
}
Continuous Time Bayesian Networks 4 / 14
8. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time bayesian networks
Definizione (Nodelman 2002)
Una CTBN N su X consiste di 2 componenti.
(1) Una distribuzione di probabilità iniziale P0
X specificata come una Bayesian
Network B su X . . .
X1
{ x1,1 , . . . , x1, J1
}
X2
{ x2,1 , . . . , x2, J2
}
X3
{ x3,1 , . . . , x3, J3
}
X4
{ x4,1 , . . . , x4, J4
}
X5
{ x5,1 , . . . , x5, J5
}
Continuous Time Bayesian Networks 4 / 14
9. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time bayesian networks
Definizione (Nodelman 2002)
(2) Un modello di transizione a tempo continuo specificato da:
(2.1) un grafo G orientato e non necessariamente aciclico composto dai nodi
X1 , X2 , . . . , XN; dove Pa(Xn) denota l’insieme di genitori di ognuno di essi
X1
{ x1,1 , . . . , x1, J1
}
X2
{ x2,1 , . . . , x2, J2
}
X3
{ x3,1 , . . . , x3, J3
}
X4
{ x4,1 , . . . , x4, J4
}
X5
{ x5,1 , . . . , x5, J5
}
Continuous Time Bayesian Networks 4 / 14
13. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time bayesian network classifiers
Classe di modelli di classificazione supervisionata derivata dalle CTBN.
Continuous Time Bayesian Network Classifiers 5 / 14
14. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time bayesian network classifiers
Definizione (Stella 2012)
Un CTBNC è composto da una coppia C = (N , P(Y)) dove:
• N è una CTBN con nodi attributo X1 , X2 , . . . , XN
• Y è il nodo classe con valori val(Y) = { y1 , . . . , yK } e probabilità
marginale P(Y).
Continuous Time Bayesian Network Classifiers 5 / 14
15. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time bayesian network classifiers
Definizione (Stella 2012)
Il grafo su N rispetta le seguenti condizioni:
• G è un grafo connesso
• Pa(Y) = ∅ – la variabile casuale Y è associata al nodo classe
• il nodo Y è indipendente dal tempo ed è specificato solo dalla sua
probabilità marginale P(Y).
Continuous Time Bayesian Network Classifiers 5 / 14
16. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time bayesian network classifiers
Definizione (Stella 2012)
Il grafo su N rispetta le seguenti condizioni:
• G è un grafo connesso
• Pa(Y) = ∅ – la variabile casuale Y è associata al nodo classe
• il nodo Y è indipendente dal tempo ed è specificato solo dalla sua
probabilità marginale P(Y).
Y
X1 X2 X3
X4 X5
Continuous Time Bayesian Network Classifiers 5 / 14
17. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time bayesian network classifiers
Definizione (Stella 2012)
Il grafo su N rispetta le seguenti condizioni:
• G è un grafo connesso
• Pa(Y) = ∅ – la variabile casuale Y è associata al nodo classe
• il nodo Y è indipendente dal tempo ed è specificato solo dalla sua
probabilità marginale P(Y).
Y
X1 X2 X3
X4 X5
Continuous Time Bayesian Network Classifiers 5 / 14
18. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time naive bayes classifier
Definizione (Stella 2012)
Un classificatore Continuous Time Naive Bayes (CTNBC) è un CTBNC
C = (N , P(Y)) in cui ogni nodo attributo ha un solo genitore, il nodo classe Y.
Quindi: Pa(Xn) = {Y} ∀ Xn ∈ G.
Continuous Time Bayesian Network Classifiers 6 / 14
19. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
continuous time naive bayes classifier
Definizione (Stella 2012)
Un classificatore Continuous Time Naive Bayes (CTNBC) è un CTBNC
C = (N , P(Y)) in cui ogni nodo attributo ha un solo genitore, il nodo classe Y.
Quindi: Pa(Xn) = {Y} ∀ Xn ∈ G.
X1 X2 X3 X4 X5
Y
Continuous Time Bayesian Network Classifiers 6 / 14
20. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
esempio
C1 C2S1S2
Y
congestione
CTBNC
Continuous Time Bayesian Network Classifiers 7 / 14
21. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
esempio
C1 C2S1S2
Y
congestione
CTNBC
Continuous Time Bayesian Network Classifiers 7 / 14
22. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
esempio
Osservazione
Il CTBNC cattura più informazione rispetto al CTNBC. Ad esempio:
• la dinamica del sensore S1 dipende da C1
• la dinamica del sensore S2 dipende da S1.
Continuous Time Bayesian Network Classifiers 7 / 14
23. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
apprendimento strutturale
Metodologia
Approccio basato su punteggio:
• punteggio di una struttura G rispetto a un training set D
scoreB(G : D) = ln P(D | G) + ln P(G)
• ricerca euristica (e.g., hill climbing) del punteggio massimo.
scoreB(G : D) =
Xi
famscoreB(Xi , PaG(Xi) : D) (Nodelman 2002)
Osservazione
No vincolo aciclicità: ottimizzazione dell’insieme di genitori di ogni nodo
eseguibile indipendentemente dagli altri nodi.
Apprendimento strutturale 8 / 14
24. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
apprendimento strutturale
Metodologia
Approccio basato su punteggio:
• punteggio di una struttura G rispetto a un training set D
scoreB(G : D) = ln P(D | G) + ln P(G)
• ricerca euristica (e.g., hill climbing) del punteggio massimo.
scoreB(G : D) =
Xi
famscoreB(Xi , PaG(Xi) : D) (Nodelman 2002)
Osservazione
No vincolo aciclicità: ottimizzazione dell’insieme di genitori di ogni nodo
eseguibile indipendentemente dagli altri nodi.
Apprendimento strutturale 8 / 14
25. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
apprendimento strutturale
Metodologia
Approccio basato su punteggio:
• punteggio di una struttura G rispetto a un training set D
scoreB(G : D) = ln P(D | G) + ln P(G)
• ricerca euristica (e.g., hill climbing) del punteggio massimo.
scoreB(G : D) =
Xi
famscoreB(Xi , PaG(Xi) : D) (Nodelman 2002)
Osservazione
No vincolo aciclicità: ottimizzazione dell’insieme di genitori di ogni nodo
eseguibile indipendentemente dagli altri nodi.
Apprendimento strutturale 8 / 14
26. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
rctbn
Pacchetto R che implementa il framework CTBN e i CTBNC.
Requisito 1 – Gestione dei dataset
• importazione
• serializzazione
• caricamento veloce.
Requisito 2 – Apprendimento di modelli CTBN
• calcolo delle statistiche sufficienti
• calcolo iper-parametri
• calcolo matrici di intensità condizionali.
Strumenti software 9 / 14
27. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
rctbn
Pacchetto R che implementa il framework CTBN e i CTBNC.
Requisito 3 – Apprendimento strutturale per CTBN
• funzione di punteggio
• ricerca euristica.
Requisito 4 – Classificazione supervisionata tramite CTBNC
• apprendimento CTBNC
• inferenza tramite CTBNC.
Strumenti software 9 / 14
29. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
sensors dll
Estensione di TSIS finalizzata al monitoraggio e tracciamento del passaggio
dei veicoli sui sensori delle reti stradali.
Motivazione
1. CORSIM3
non può restituire dati temporali non aggregati
2. massima granularità temporale di CORSIM: 1 secondo.
Obiettivo
Superamento delle limitazioni di CORSIM al fine di:
1. rilevare il passaggio dei veicoli sui sensori di una rete stradale TSIS
nell’istante in cui esso avviene
2. generare e memorizzare le onde quadre dei sensori.
3
Simulatore di modelli di traffico incluso in TSIS.
Strumenti software 10 / 14
31. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
contesto
Problema
Il problema del traffico affligge tutte le grandi città.
La congestione delle reti urbane incide negativamente su vari aspetti della
qualità della vita.
Approccio (Angulo 2011)
Ottimizzazione dei piani semaforici in base alle condizioni di traffico:
1. classificazione dei profili di traffico
2. selezione del piano semaforico ad esso associato.
Classificazione di profili di traffico 11 / 14
32. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
sperimentazione
Modelli di traffico
1. modello fittizio
2. riproduzione della rete stradale circostante Viale C. Battisti, Monza - Italia
Classificazione di profili di traffico 12 / 14
33. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
sperimentazione
Modelli di traffico
1. modello fittizio
2. riproduzione della rete stradale circostante Viale C. Battisti, Monza - Italia
Classificazione di profili di traffico 12 / 14
34. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
sperimentazione
Modelli di traffico
1. modello fittizio
2. riproduzione della rete stradale circostante Viale C. Battisti, Monza - Italia
Classificazione di profili di traffico 12 / 14
35. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
sperimentazione
Dataset 1
• 40 sensori
• 86400 secondi totali di simulazione
• 6 classi – mattina , giorno, pomeriggio, sera, notte, alba
Generate 2 varianti: traiettorie da 100 o 300 secondi.
Dataset 2
• 6 sensori reali
• 32 sensori totali
• 86400 secondi totali di simulazione
• 6 classi – mattina , giorno, pomeriggio, sera, notte, alba
Generate 4 varianti: traiettorie da 100 o 300 secondi, solo sensori reali o tutti i
sensori.
Classificazione di profili di traffico 12 / 14
36. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
sperimentazione
Scopo
• classificazione di profili di traffico tramite classificatori CTBN
• comparazione di 4 istanze di classificatori:
CTNBC, CTBNC23
, CTBNC3, CTBNC4.
Metodologia
Per ogni dataset, per ogni classificatore:
1. esecuzione k-fold cross-validazione con k = 10
2. computazione metriche di valutazione per ogni fold
3. aggregazione risultati tramite approccio macro-average e micro-average.
3
Classificatore CTBN appreso fissando il numero massimo di genitori a 2. Similmente per le altre
istanze.
Classificazione di profili di traffico 12 / 14
37. Introduzione Framework Classificatori Apprendimento strutturale Software Sperimentazione
sperimentazione
Scopo
• classificazione di profili di traffico tramite classificatori CTBN
• comparazione di 4 istanze di classificatori:
CTNBC, CTBNC23
, CTBNC3, CTBNC4.
Metodologia
Per ogni dataset, per ogni classificatore:
1. esecuzione k-fold cross-validazione con k = 10
2. computazione metriche di valutazione per ogni fold
3. aggregazione risultati tramite approccio macro-average e micro-average.
3
Classificatore CTBN appreso fissando il numero massimo di genitori a 2. Similmente per le altre
istanze.
Classificazione di profili di traffico 12 / 14