traffic op• Data kinds: any → table
• Call: 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]' (implementation को सीधे call करना हो तो 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]', registry से लेना हो तो opsdrive.get("importance_risk_estimate"))
बढ़ी हुई emergence rate (rate λ') वाले trials से दुर्घटनाओं को अधिक संभावित बनाता है, और likelihood ratio के weights से मूल rate λ की दुर्घटना probability पर वापस लाता है।
एक परीक्षण = poisson_events(boosted_rate) से घटना-स्थान x_1..x_N निकालें; simulate_fn(events, rng) दुर्घटना होने पर 1 देता है (bool या [0, 1] का मान)। भार (Poisson प्रक्रिया का Radon–Nikodym अवकलज dP_λ/dP_λ'):
w = Π_i λ(x_i)/λ'(x_i) · exp(−(Λ − Λ')), Λ = ∫λ, Λ' = ∫λ' (समलंब नियम, n_grid बिंदु)
अनुमान p̂ = mean(w · Y), मानक त्रुटि = std(w · Y)/sqrt(n)। boosted_rate को base_rate के बराबर रखने पर w ≡ 1, यानी साधारण मोंटे कार्लो (गेट इससे, और ऐसे simulate_fn से तुलना करता है जिसकी दुर्घटना-प्रायिकता बंद रूप में ज्ञात है)। जहाँ λ > 0 हो पर λ' = 0 हो, वहाँ अनुमान पक्षपाती होता है (पूर्णतः सतत नहीं), इसलिए ग्रिड पर जाँच कर ValueError उठाया जाता है।
वापसी dict: estimate, std_error, per_run_var (w·Y का नमूना प्रसरण), n_runs, Lambda, Lambda_boost, mean_weight (≈ 1 होना चाहिए; भारों की स्वस्थता), ess (प्रभावी नमूना आकार (Σw)²/Σw²), hits (Y > 0 होने की संख्या)।
• Sample data catalog (DL URL / license) — 2-D के लिए skimage.data (BSD/public) + synthetic, 3-D के लिए real data sources (Stanford/PDS आदि) के DL URL।
• Operators का स्रोत और संदर्भ — इस op family के मूल research/methods के स्रोत।
• Algorithm का मानक स्रोत (लेखक, वर्ष) और उपयोग ऊपर की family usage guide में दिए गए हैं।
• poc_driving_traffic — py -3.11 examples/poc_driving_traffic.py
table को input के रूप में लेते हैं)course_layout · course_occupancy · course_contains · world_build · world_camera · world_move · lidar_scan · rss_longitudinal_same
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. यह per-op note tools/opdocs.py md से अपने-आप generate होता है (हाथ से edit न करें)।*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.