Identifying flow clusters based on density domain decomposition
Identifying flow clusters based on density domain decomposition
复制标题
基于密度域分解的流簇识别
DOI：
10.1109/access.2019.2963107
复制
发表时间：
2020
期刊：
影响因子：
3.9
通讯作者：
Shu Hua
中科院分区：
文献类型：
--
作者：
Song Ci;Pei Tao;Shu Hua
流聚类是流分析中最重要的数据挖掘方法之一。起源-目的地（OD）数据，它可以揭示负责空间变化的潜在机制。地理现象的分布和时间动态。现有的聚类方法有：主要是将传统的聚类方法通过对基本概念的重构扩展到点。一些ows的空间关联指标和经典聚类过程的实现，如。聚合、收集或搜索的然而，目前的技术仍然存在两个主要问题：辨识精度高，参数选取过程复杂。为了解决这些问题，一个新的。本文提出了一种基于密度域分解的任意形状ow聚类方法。基于本文方法和现有方法的仿真实验表明，本文的方法是有效的。方法的总体识别率和识别率优于常用的三种方法。几乎所有的F1测量，并且在参数选择过程中不需要任何手动调整。最后，以北京市的出租车出行数据为例进行了分析。确定了几个低簇。代表不同类型居民的出行行为，包括日常通勤、返程、旅游。以及在特殊日子的行为。
Flow clustering is one of the most important data mining methods for the analysis of.origin-destination (OD) ow data, and it may reveal the underlying mechanisms responsible for the spatial.distributions and temporal dynamics of geographical phenomena. Existing ow clustering approaches are.based mainly on the extension of traditional clustering methods to points by redening basic concepts or.some spatial association indictors of ows and the implementation of classic clustering processes, such as.aggregating, collecting or searching. However, current techniques still suffer from two main problems: poor.identication accuracy and complicated parameter selection processes. To resolve these problems, a new.clustering method is proposed in this study for arbitrarily shaped ow clusters based on the density domain.decomposition of ows. Simulation experiments based on our method and existing methods show that our.method outperforms the three most commonly used methods in terms of the overall identication rate and.almost all F1 measures, and it does not require any manual adjustments during the parameter selection.process. Finally, a case study is conducted on taxi trip data from Beijing. Several ow clusters are identied.to represent different types of residents' travel behaviors, including daily commuting, return travel, tourism.and behaviors on special days.
登录
查看更多内容
影响因子：
3.6
作者：
B. Zhu
通讯作者：
B. Zhu
DOI：
10.1016/j.compenvurbsys.2018.03.008
发表时间：
2018-07-01
影响因子：
6.8
作者：
Andris, Clio;Liu, Xi;Ferreira, Joseph, Jr.
通讯作者：
Ferreira, Joseph, Jr.
DOI：
10.21433/b3118mf4r9rw
发表时间：
2016
期刊：
Transportation research procedia
影响因子：
--
作者：
Ran Tao;J. Thill
通讯作者：
Ran Tao;J. Thill
DOI：
10.1016/j.physa.2016.06.091
发表时间：
2016-02
影响因子：
3.3
作者：
M. Zanin;D. Papo;M. Romance;R. Criado;S. Moral
通讯作者：
M. Zanin;D. Papo;M. Romance;R. Criado;S. Moral
影响因子：
3.9
作者：
Yaxi Liu;T. Pei;Ci Song;Hua Shu;Sihui Guo;Xi Wang
通讯作者：
Yaxi Liu;T. Pei;Ci Song;Hua Shu;Sihui Guo;Xi Wang