TensorAnalyzer：基于非负张量分解的大城市城市模式识别
机器学习
2022-10-07 v1 人工智能
摘要
使用经典聚类算法从多源数据中提取相关的城市模式可能较为困难，因为我们必须合理设置算法的超参数并处理离群值。这应被妥善处理，以辅助城市规划者在大城市进一步发展中的决策过程。例如，犯罪学专家的主要兴趣在于理解特定地理参考位置处犯罪与社会经济特征之间的关系。此外，经典聚类算法很少关注地理参考数据源中复杂的空间相关性。本文提出了一种基于张量分解从多源数据中检测最相关城市模式的新方法。与经典方法相比，所提方法的性能得到了验证，以确认所识别模式的质量。结果表明，该方法能有效识别功能模式来刻画数据集，从而用于进一步分析以获得良好的聚类质量。此外，我们开发了一个名为TensorAnalyzer的通用框架，并通过一组实验和一个展示学校周边犯罪事件与学生成绩及分析中其他相关变量之间关系的真实案例研究，检验了所提方法的有效性与实用性。
引用
@article{arxiv.2210.02623,
title = {TensorAnalyzer: Identification of Urban Patterns in Big Cities using Non-Negative Tensor Factorization},
author = {Jaqueline Silveira and Germain García and Afonso Paiva and Marcelo Nery and Sergio Adorno and Luis Gustavo Nonato},
journal= {arXiv preprint arXiv:2210.02623},
year = {2022}
}