traffic op• 데이터 종류: any → table
• 호출: 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]'(구현을 직접 호출하려면 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]', 원장에서 가져오려면 opsdrive.get("importance_risk_estimate"))
출현율을 높인 시행(율 λ')으로 사고를 일으키기 쉽게 하고, 우도비 가중치로 본래 율 λ의 사고 확률로 되돌립니다.
1 회 시행 = poisson_events(boosted_rate) 로 출현 위치 x_1..x_N 을 뽑고, simulate_fn(events, rng) 가 사고이면 1 (bool 또는 [0, 1] 의 값). 가중치(포아송 과정의 Radon–Nikodym 도함수 dP_λ/dP_λ'):
w = Π_i λ(x_i)/λ'(x_i) · exp(−(Λ − Λ')), Λ = ∫λ, Λ' = ∫λ'(사다리꼴, n_grid 점)
추정 p̂ = mean(w · Y), 표준오차 = std(w · Y)/sqrt(n). boosted_rate 를 base_rate 와 같게 하면 w ≡ 1 이 되어소박한 몬테카를로가 된다(게이트에서는 이것, 그리고 사고 확률이 닫힌 형식으로 알려진 simulate_fn 과 비교한다). λ > 0 인데 λ' = 0 인 곳이 있으면 추정이 편향되므로(절대연속이 아님) 격자 위에서 검사하여 ValueError.
반환 dict: estimate, std_error, per_run_var(w·Y 의 표본분산), n_runs, Lambda, Lambda_boost, mean_weight(≈ 1 이어야 함. 가중치의 건전성), ess(유효 표본 수 (Σw)²/Σw²), hits(Y > 0 인 횟수).
• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.
• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.
• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.
• poc_driving_traffic — py -3.11 examples/poc_driving_traffic.py
table 를 입력으로 받는 것)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 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.