Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp phân nhóm lưới không gian-thời gian dựa trên nhận diện điểm dừng thường xuyên
Tóm tắt
Để xác định vị trí địa lý của người vi phạm và trích xuất thông tin du lịch từ dữ liệu quỹ đạo, phương pháp phân nhóm lưới không gian-thời gian được áp dụng để phân tích dữ liệu quỹ đạo lớn. Đầu tiên, dữ liệu quỹ đạo được tiền xử lý và phương pháp phân nhóm không gian-thời gian được sử dụng để phát hiện thông tin vị trí địa lý của người du lịch dựa trên thông tin các đoạn hành trình được trích xuất. Thứ hai, để nhận diện điểm dừng thường xuyên, chúng tôi đề xuất mô hình phân nhóm lưới không gian-thời gian với thuật toán phân chia quỹ đạo trơn mịn, giúp cải thiện hiệu quả trong việc xử lý một lượng lớn dữ liệu quỹ đạo. Thứ ba, chúng tôi đề xuất phương pháp phân nhóm lưới không gian-thời gian dựa trên nhận diện điểm dừng thường xuyên. Kết quả thử nghiệm của việc phân chia quỹ đạo tĩnh chỉ ra rằng điểm dừng thường xuyên và các lối đi thường xuyên có thể được khai thác một cách hiệu quả trong điều kiện mất mát thông tin nhỏ. Các kết quả này chứng minh một cách thuyết phục hiệu quả của phương pháp được đề xuất.
Từ khóa
#phân nhóm lưới không gian-thời gian #điểm dừng thường xuyên #dữ liệu quỹ đạo #xử lý dữ liệu lớnTài liệu tham khảo
Rodriguez A, Laio A (2014) Clustering by fast search and find of density peaks. Science 344(6191):1492–1496
Ester M, Kriegel H-P, Sander J, Xu X (1996) A density-based algorithm for discovering clusters in large spatial databases with noise. KDD 96:226–231
Schubert E, Sander J, Ester M, Kriegel H-P, Xiaowei X (2017) DBSCAN revisited, revisited: why and how you should (still) use DBSCAN. ACM Trans Database Syst 42(3):19:1-19:21
Mahesh Kumar K, A. Rama Mohan Reddy (2016) A fast DBSCAN clustering algorithm by accelerating neighbor searching using Groups method. Pat Recog 58:39–48
Hao Xue DuQ, Huynh MR (2020) A Location-velocity-temporal attention LSTM model for pedestrian trajectory prediction. IEEE Access 8:44576–44589
Shen L, Stopher PR (2014) Review of GPS travel survey and GPS data-processing methods. Transp Rev 34(3):316–334
Song H, Lee J-G (2018) RP-DBSCAN: a superfast parallel DBSCAN algorithm based on random partitioning. SIGMOD conference 1173–1187
Zimmermann M, Mai T, Frejinger E (2017) Bike route choice modeling using GPS data without choice sets of paths. Transp Res Part C Emerg Technol 75:183–196
Boonchoo T, Ao X, Liu Y, Zhao W, Zhuang F, He Q (2019) Grid-based DBSCAN: indexing and inference. Pat Recogn 90:271–284
Galán SF (2019) Comparative evaluation of region query strategies for DBSCAN clustering. Inf Sci 502:76–90
Zeng Q, Wang J, He K (2020) Improving destination prediction via ensemble of trajectory movement separation and adaptive clustering. IEEE Access 8:28142–28154
Xiao Xu, Ding S, Mingjing Du, Xue Yu (2018) DPCG: an efficient density peaks clustering algorithm based on grid. Int J Mach Learn Cybern 9(5):743–754
Lv Yi, Liu M, Xiang Y (2020) Fast searching density peak clustering algorithm based on shared nearest neighbor and adaptive clustering center. Symmetry 12(12):2014
Zhang Y, Lin Y (2019) An interactive method for identifying the stay points of the trajectory of moving objects. J Vis Commun Image Rep 59:387–392
Rad MH, Abdolrazzagh-Nezhad M (2020) A new hybridization of DBSCAN and fuzzy earthworm optimization algorithm for data cube clustering. Soft Comput 24(20):15529–15549
Chen Y, Zhou L, Bouguila N, Wang C, Chen Y, Du J (2021) BLOCK-DBSCAN: fast clustering for large scale data. Pat Recog 109:107624
Yang Y, Cai J, Yang H, Zhang J, Zhao X (2020) TAD: a trajectory clustering algorithm based on spatial-temporal density analysis. Exp Syst Appl 139
Lei P-R, Li S-C, Peng W-C (2013) QS-STT: QuadSection clustering and spatial-temporal trajectory model for location prediction. Distrib Parallel Databases 31(2):231–258
Hoang H-T, Pham Q-V, Hwang W-J (2020) Spatial-temporal-DBSCAN-based user clustering and power allocation for sum rate maximization in millimeter-wave NOMA systems. Symmetry 12(11):1854
Wang S, Li A, Xie S, Li WenZhu, Wang BoWei, Yao S, Asif M (2021) A spatial-temporal self-attention network (STSAN) for location prediction. CompLex 6692313:1–13
Balcan M-F, Haghtalab N, White C (2020) k-center clustering under perturbation resilience. ACM Trans Algorithms 16(2):22:1-22:39
Hüsch M, Schyska BU, von Bremen L (2020) CorClustST - correlation-based clustering of big spatio-temporal datasets. Futur Gener Comput Syst 110:610–619
Pan Z, Wang Y, Pan Y (2020) A new locally adaptive k-nearest neighbor algorithm based on discrimination class. Knowl Based Syst 204:106185
Zhai J, Qi J, Zhang S (2021) An instance selection algorithm for fuzzy K-nearest neighbor. J Intell Fuzzy Syst 40(1):521–533
Liu L, Donghua Yu (2020) Density peaks clustering algorithm based on weighted k-nearest neighbors and geodesic distance. IEEE Access 8:168282–168296