大规模地理时空数据上的短期与长期模式发现
数据库
2019-05-21 v2
摘要
地理时空数据（如交通和天气数据）中的模式发现旨在找出地理空间实体之间的共置、共现、级联或因果模式。使用简化的时空邻域定义（现有通用框架的常见特征）在语义上不能代表地理时空数据。因此我们引入一个新的地理时空模式发现框架，其定义了语义正确的邻域定义；然后提供两种能力，一是探索传播模式，二是探索影响模式。传播模式揭示一个区域内地理空间实体的常见级联形式。影响模式展示时间上长期的地理空间实体对其邻域的影响。我们将该框架应用于在全国尺度上收集、覆盖美国本土连续两年、大规模的交通与天气数据集。我们的重要发现包括识别出 90 种交通与天气实体的常见传播模式（例如，雨 --> 事故 --> 拥堵），从而将美国各州划分为四类；以及关于长期实体的“位置”、“持续时间”和“类型”的有趣影响模式（例如，大型施工 --> 更多交通事故）。这些模式及各州的分类为美国不同地区的驾驶习惯和基础设施特征提供了有用见解，并可能对城市规划和个性化保险等应用具有重要价值。
关键词
引用
@article{arxiv.1902.06792,
title = {Short and Long-term Pattern Discovery Over Large-Scale Geo-Spatiotemporal Data},
author = {Sobhan Moosavi and Mohammad Hossein Samavatian and Arnab Nandi and Srinivasan Parthasarathy and Rajiv Ramnath},
journal= {arXiv preprint arXiv:1902.06792},
year = {2019}
}
备注
In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining