importance_risk_estimate — DRIVE `traffic` op

• Datenarten: any → table

• Aufruf: import fullseye as fs; fs.ledger.importance_risk_estimate(simulate_fn: 'Callable', base_rate: 'Callable', boosted_rate: 'Callable', n_runs: 'int', seed, *, x_max: 'float', boosted_rate_max: 'float', n_grid: 'int' = 20001) -> 'Dict[str, float]' (die Implementierung direkt: import drivetraffic; drivetraffic.importance_risk_estimate(simulate_fn: 'Callable', base_rate: 'Callable', boosted_rate: 'Callable', n_runs: 'int', seed, *, x_max: 'float', boosted_rate_max: 'float', n_grid: 'int' = 20001) -> 'Dict[str, float]'; aus dem Register: opsdrive.get("importance_risk_estimate"))

Verwendung

Macht Unfälle mit Versuchen bei erhöhter Auftrittsrate (Rate λ') wahrscheinlicher und rechnet mit Likelihood-Quotienten-Gewichten auf die Unfallwahrscheinlichkeit bei der ursprünglichen Rate λ zurück.

Ein Versuch = Auftrittspositionen x_1..x_N mit poisson_events(boosted_rate) ziehen; simulate_fn(events, rng) liefert 1 bei einem Unfall (bool oder ein Wert in [0, 1]). Gewicht (Radon–Nikodym-Ableitung des Poisson-Prozesses dP_λ/dP_λ'):

w = Π_i λ(x_i)/λ'(x_i) · exp(−(Λ − Λ')), Λ = ∫λ, Λ' = ∫λ' (Trapezregel, n_grid Punkte)

Schätzung p̂ = mean(w · Y), Standardfehler = std(w · Y)/sqrt(n). Setzt man boosted_rate gleich base_rate, so ist w ≡ 1, also naives Monte Carlo (das Gate vergleicht damit sowie mit einer simulate_fn, deren Unfallwahrscheinlichkeit in geschlossener Form bekannt ist). Gibt es Stellen mit λ > 0, aber λ' = 0, ist die Schätzung verzerrt (nicht absolut stetig); daher wird auf dem Gitter geprüft und ValueError ausgelöst.

Rückgabe-dict: estimate, std_error, per_run_var (Stichprobenvarianz von w·Y), n_runs, Lambda, Lambda_boost, mean_weight (sollte ≈ 1 sein; Plausibilität der Gewichte), ess (effektive Stichprobengröße (Σw)²/Σw²), hits (Anzahl der Fälle mit Y > 0).

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_driving_traffic — py -3.11 examples/poc_driving_traffic.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

course_layout · course_occupancy · course_contains · world_build · world_camera · world_move · lidar_scan · rss_longitudinal_same

Gleiche Kategorie (`traffic`)

idm_accel · idm_equilibrium_gap · idm_platoon_simulate · driver_style · lateral_wobble · ou_estimate · social_force_step · pedestrian_crossing

*Provenance: drivetraffic.py — DRIVE Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

importance_risk_estimate — DRIVE traffic op