基于人类移动时空数据的时间约束聚类
机器学习
2018-07-03 v1 机器学习
摘要
利用个体的时空数据提取重要地点或兴趣点（POIs）对于人类移动性分析具有基础性的重要意义。已有工作使用经典聚类方法检测 POIs，但并未考虑时间约束。通常，聚类所涉及的参数难以确定，例如层次聚类中的最优簇数。目前，研究者要么选择启发式数值，要么使用基于空间距离的优化来确定合适的参数集。我们认为现有研究未能最优地处理时间信息，因而存在很大的改进空间。考虑到人类移动中的时间约束，我们提出了一种有效的聚类方法——即带时间约束的 POI 聚类（PC-TC）——从人类移动的时空数据中提取 POIs。遵循现代社会中人类移动的特性，我们的方法旨在提取全局 POIs（如工作场所或大学）和局部 POIs（如图书馆、实验室和食堂）。基于包含 193 名个体的两个公开数据集，我们的评估结果表明，PC-TC 在粒度（即提取的 POIs 数量）和可预测性方面对下一地点预测具有很大潜力。
引用
@article{arxiv.1807.00546,
title = {Clustering with Temporal Constraints on Spatio-Temporal Data of Human Mobility},
author = {Yunlong Wang and Bjoern Sommer and Falk Schreiber and Harald Reiterer},
journal= {arXiv preprint arXiv:1807.00546},
year = {2018}
}