基于 GMM 聚类的食物可及性模式深度探索与食物需求行为预测模型
应用统计
2022-02-04 v1
摘要
理解食物银行因食物不安全而产生的需求动态，对于优化运营成本与公平分配食物至关重要，尤其在需求不确定时。因此，选用高斯混合模型（GMM）聚类来提取模式。其创新之处在于，将 GMM 聚类应用于识别特定区域中食物不安全的潜在成因，理解特定区域食物援助网络的特征与结构，并进一步利用聚类结果探索不确定食物需求行为的模式及其在库存管理与剩余食物再分配中的重要意义，从而开发一个两阶段混合食物需求估计模型。我们使用来自俄亥俄州克利夫兰食物银行网络的数据，对所得聚类进行研究和可视化。结果表明，该框架能够深入识别食物可及性与援助模式，并通过利用 GMM 聚类结果提升所采用的统计与机器学习算法的预测精度。此外，基于不同规划层级对案例研究实施该框架，取得了实用结果，并为相应规划团队带来了显著的便捷性。
引用
@article{arxiv.2202.01347,
title = {GMM Clustering for In-depth Food Accessibility Pattern Exploration and Prediction Model of Food Demand Behavior},
author = {Rahul Srinivas Sucharitha and Seokcheon Lee},
journal= {arXiv preprint arXiv:2202.01347},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:1909.09453