論文の概要: STICC: A multivariate spatial clustering method for repeated geographic
pattern discovery with consideration of spatial contiguity
- arxiv url: http://arxiv.org/abs/2203.09611v1
- Date: Thu, 17 Mar 2022 20:58:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 13:33:22.453273
- Title: STICC: A multivariate spatial clustering method for repeated geographic
pattern discovery with consideration of spatial contiguity
- Title（参考訳）: sticc:空間連続性を考慮した繰り返し地理的パターン発見のための多変量空間クラスタリング手法
- Authors: Yuhao Kang, Kunlin Wu, Song Gao, Ignavier Ng, Jinmeng Rao, Shan Ye,
Fan Zhang, Teng Fei
- Abstract要約: 理想的な空間クラスタリングは、空間的連続性と空間的属性の両方を考慮するべきである。
既存の空間クラスタリングアプローチは、空間的連続性を維持した反復的な地理的パターンを発見するための課題に直面する可能性がある。
本研究では,地理的オブジェクトの属性と空間的関係を考慮した空間的Toeplitz Inverse Covariance-Based Clustering (STICC)法を提案する。
- 参考スコア（独自算出の注目度）: 7.376428009531946
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Spatial clustering has been widely used for spatial data mining and knowledge
discovery. An ideal multivariate spatial clustering should consider both
spatial contiguity and aspatial attributes. Existing spatial clustering
approaches may face challenges for discovering repeated geographic patterns
with spatial contiguity maintained. In this paper, we propose a Spatial
Toeplitz Inverse Covariance-Based Clustering (STICC) method that considers both
attributes and spatial relationships of geographic objects for multivariate
spatial clustering. A subregion is created for each geographic object serving
as the basic unit when performing clustering. A Markov random field is then
constructed to characterize the attribute dependencies of subregions. Using a
spatial consistency strategy, nearby objects are encouraged to belong to the
same cluster. To test the performance of the proposed STICC algorithm, we apply
it in two use cases. The comparison results with several baseline methods show
that the STICC outperforms others significantly in terms of adjusted rand index
and macro-F1 score. Join count statistics is also calculated and shows that the
spatial contiguity is well preserved by STICC. Such a spatial clustering method
may benefit various applications in the fields of geography, remote sensing,
transportation, and urban planning, etc.
- Abstract（参考訳）: 空間クラスタリングは空間データマイニングや知識発見に広く利用されている。
理想的な多変量空間クラスタリングは,空間的連続性と空間的属性の両方を考慮すべきである。
既存の空間クラスタリングアプローチは、空間的連続性を維持した地理的パターンを繰り返し発見する上での課題に直面する可能性がある。
本稿では,多変量空間クラスタリングのための地理的対象の属性と空間関係を考慮した空間的トープリッツ逆共分散型クラスタリング(sticc)手法を提案する。
クラスタ実行時に基本単位として機能する地理的オブジェクト毎にサブリージョンが生成される。
その後、部分領域の属性依存性を特徴付けるためにマルコフ確率場が構築される。
空間的整合性戦略を用いて、近くのオブジェクトは同じクラスタに属することを奨励する。
提案するSTICCアルゴリズムの性能をテストするために,2つのユースケースに適用する。
その結果、STICCは調整されたランド指数とマクロF1スコアで他よりも優れていた。
結合数統計も計算され、空間の連続性がSTICCによってよく保存されていることを示す。
このような空間クラスタリング手法は、地理、リモートセンシング、交通、都市計画などの分野における様々な応用に有用である。
関連論文リスト
- Clustering Based on Density Propagation and Subcluster Merging [92.15924057172195]
本稿では,クラスタ数を自動的に決定し,データ空間とグラフ空間の両方に適用可能な密度に基づくノードクラスタリング手法を提案する。
二つのノード間の距離を計算する従来の密度クラスタリング法とは異なり,提案手法は伝播過程を通じて密度を決定する。
論文 参考訳（メタデータ） (2024-11-04T04:09:36Z) - Multiview Subspace Clustering of Hyperspectral Images based on Graph
Convolutional Networks [12.275530282665578]
本研究では、グラフ畳み込みネットワークに基づくハイスペクトル画像(HSI)のマルチビューサブスペースクラスタリングを提案する。
このモデルは、インディアンパインズ、パヴィア大学、ヒューストンを含む3つの人気のあるHSIデータセットで評価された。
合計で92.38%、93.43%、83.82%の精度を達成し、最先端のクラスタリング法を著しく上回った。
論文 参考訳（メタデータ） (2024-03-03T10:19:18Z) - DECWA : Density-Based Clustering using Wasserstein Distance [1.4132765964347058]
空間密度と確率的アプローチに基づく新しいクラスタリングアルゴリズムを提案する。
提案手法は, 様々なデータセットにおいて, 最先端の密度に基づくクラスタリング手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-25T11:10:08Z) - Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。
本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
論文 参考訳（メタデータ） (2023-06-18T08:46:06Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳（メタデータ） (2022-08-25T05:47:39Z) - Extending regionalization algorithms to explore spatial process
heterogeneity [5.158953116443068]
そこで本稿では,空間状態記述のための2つの新しいアルゴリズムである2段Kモデルと2段Kモデルを提案する。
これらの結果から,3つのアルゴリズムが既存手法よりも優れている,あるいは同等の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-19T15:09:23Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳（メタデータ） (2021-04-24T08:09:27Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z) - Graph Convolutional Subspace Clustering: A Robust Subspace Clustering
Framework for Hyperspectral Image [6.332208511335129]
本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。
具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。
従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
論文 参考訳（メタデータ） (2020-04-22T10:09:19Z) - On clustering uncertain and structured data with Wasserstein barycenters
and a geodesic criterion for the number of clusters [0.0]
この研究は、ワッサーシュタインのバリセンターの概念を考察し、クラスタリングタスクが実行されるワッサーシュタイン空間の内在幾何学に基づく適切なクラスタリング指標を伴って考える。
このようなクラスタリング手法は、観測/実験誤差が重要である多くの分野において高く評価されている。
この観点から、各観測は適切な確率尺度によって識別され、提案したクラスタリングスキームは識別基準に依存する。
論文 参考訳（メタデータ） (2019-12-26T08:46:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。