描述高维无标签运动数据的新型多层次分类方法
其他计算机科学
2025-04-30 v1
摘要
运动数据在各种应用和科学领域中广泛存在，往往具有巨大的规模和复杂性。探索性数据分析（EDA）在总结和描述此类数据方面发挥着关键作用，使研究人员能够生成洞察并支持科学假设。尽管其重要性已得到广泛认可，但传统的 EDA 实践在应用于高维无标签运动数据时面临局限。这种数据类型的复杂性和多面性要求更先进的方法来超越当前 EDA 技术的能力。本研究针对当前 EDA 实践中的差距，提出一种新方法，利用运动变量分类学和异常检测。我们假设，将运动特征组织成分类学结构，并应用于分类学节点的组合上的异常检测，可揭示有意义的模式并导致对数据的更可解释描述。为测试此假设，我们引入 TUMD 方法，将运动分类学与异常检测集成以增强数据分析和解释。TUMD 在四个多样化的移动对象数据集上进行评估，使用固定参数值。其有效性通过两轮评估实现：第一轮将大多数运动模式归类为运动学、几何或混合类型，适用于所有数据集；第二轮将这些行为细化为更具体的类别，如速度、加速度或折线。TUMD 在三个数据集中满足有效性标准，证明其能够描述和细化运动行为。结果确认了我们的假设，表明运动分类学与异常检测的结合成功地在高维无标签运动数据中揭示了有意义且可解释的模式。
引用
@article{arxiv.2504.20174,
title = {A Novel Multilevel Taxonomical Approach for Describing High-Dimensional Unlabeled Movement Data},
author = {Yashat Tavakoli and Amilcar Soares and Lourdes Pena},
journal= {arXiv preprint arXiv:2504.20174},
year = {2025}
}