Trong bài viết này, chúng tôi đề xuất một cách tiếp cận xác suất để mô hình hóa và nhận biết các tình huống. Chúng tôi định nghĩa một tình huống là sự phân bố trên các chuỗi trạng thái có một số cách diễn giải có ý nghĩa. Mỗi tình huống được đặc trưng bởi một mô hình Markov ẩn riêng lẻ mô tả sự phân bổ tương ứng. Đặc biệt, chúng tôi xem xét các tình huống lưu lượng truy cập điển hình và mô tả cách sử dụng khung của chúng tôi để lập mô hình và theo dõi các tình huống khác nhau trong khi chúng đang phát triển. Cách tiếp cận này được đánh giá bằng thực nghiệm trong các tình huống giao thông xe cộ sử dụng dữ liệu thực và mô phỏng. Kết quả cho thấy hệ thống của chúng tôi có thể nhận biết và theo dõi song song nhiều trường hợp tình huống và đưa ra quyết định hợp lý giữa các giả thuyết cạnh tranh. Ngoài ra, chúng tôi cho thấy rằng các mô hình của chúng tôi có thể được sử dụng để dự đoán vị trí của các phương tiện được theo dõi.

To act intelligently in dynamic environments, a system must understand the current situation it is involved in at any given time

A comprehensive introduction to machine learning that uses probabilistic models and inference as a unifying approach. The book is suitable for upper-level undergraduates with an introductory-level college math background and beginning graduate students.