論文の概要: Clustering and Analysis of GPS Trajectory Data using Distance-based Features

• arxiv url: http://arxiv.org/abs/2212.00206v1
• Date: Thu, 1 Dec 2022 01:25:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 16:50:37.678953
• Title: Clustering and Analysis of GPS Trajectory Data using Distance-based Features
• Title（参考訳）: 距離に基づく特徴量を用いたGPS軌道データのクラスタリングと解析
• Authors: Zann Koh, Yuren Zhou, Billy Pik Lik Lau, Ran Liu, Keng Hua Chong, Chau Yuen
• Abstract要約: そこで我々は,新たなモビリティ指標であるDaily Characteristics Distanceを提案する。 次に、これらの機能を教師なしの機械学習手法、$k$-meansクラスタリングで使用し、各タイプのユーザ(WorkdayとOffday)に対して3つのクラスタを取得する。 本稿では,クラスタリング結果,すなわちユーザ共通性と平均周波数の分析のための2つの新しい指標を提案する。
• 参考スコア（独自算出の注目度）: 20.91019606657394
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The proliferation of smartphones has accelerated mobility studies by largely increasing the type and volume of mobility data available. One such source of mobility data is from GPS technology, which is becoming increasingly common and helps the research community understand mobility patterns of people. However, there lacks a standardized framework for studying the different mobility patterns created by the non-Work, non-Home locations of Working and Nonworking users on Workdays and Offdays using machine learning methods. We propose a new mobility metric, Daily Characteristic Distance, and use it to generate features for each user together with Origin-Destination matrix features. We then use those features with an unsupervised machine learning method, $k$-means clustering, and obtain three clusters of users for each type of day (Workday and Offday). Finally, we propose two new metrics for the analysis of the clustering results, namely User Commonality and Average Frequency. By using the proposed metrics, interesting user behaviors can be discerned and it helps us to better understand the mobility patterns of the users.
• Abstract（参考訳）: スマートフォンの普及は、利用可能なモビリティデータの種類と量を大きく増やすことで、モビリティ研究を加速させている。 このようなモビリティデータの源の1つはGPS技術であり、それがますます普及し、研究コミュニティが人々のモビリティパターンを理解するのに役立つ。 しかし、機械学習手法を使用して、ワークデイとオフデイの非職場、非在宅ユーザーによるさまざまなモビリティパターンを研究するための標準化されたフレームワークが欠けている。 本稿では,新しい移動度指標,日毎特性距離を提案し,その特徴を原点-運命行列の特徴と合わせてユーザ毎に生成する。 次に、これらの機能を教師なしの機械学習メソッド、$k$-meansクラスタリングで使用し、一日(作業日と休日)ごとに3つのユーザクラスタを取得します。 最後に,クラスタリング結果の分析のために,ユーザの共通性と平均頻度という2つの新しい指標を提案する。 提案するメトリクスを使用することで、興味深いユーザの振る舞いを識別でき、ユーザのモビリティパターンをより理解する上で役立ちます。

関連論文リスト

• Foundations and Recent Trends in Multimodal Mobile Agents: A Survey [57.677161006710065]
  モバイルエージェントは、複雑で動的なモバイル環境におけるタスクの自動化に不可欠である。 近年の進歩により、リアルタイム適応性とマルチモーダルインタラクションが向上している。 これらの進歩は、プロンプトベースの方法とトレーニングベースの方法の2つの主要なアプローチに分類する。
  論文  参考訳（メタデータ） (2024-11-04T11:50:58Z)
• Mobility-Induced Graph Learning for WiFi Positioning [3.9913115858730865]
  本稿では,MINGLE(Mobility-Induced Graph LEarning)と呼ばれるグラフニューラルネットワークを用いた新たな統合手法を提案する。 異なるユーザモビリティ機能をキャプチャして作られた2種類のグラフに基づいて設計されている。 提案したMINGLEの有効性は、フィールド実験を通じて広く検証されている。
  論文  参考訳（メタデータ） (2023-11-14T16:06:11Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• GNM: A General Navigation Model to Drive Any Robot [67.40225397212717]
  視覚に基づくナビゲーションのための一般的な目標条件付きモデルは、多くの異なるが構造的に類似したロボットから得られたデータに基づいて訓練することができる。 ロボット間の効率的なデータ共有に必要な設計決定について分析する。 我々は、訓練されたGNMを、下四極子を含む様々な新しいロボットに展開する。
  論文  参考訳（メタデータ） (2022-10-07T07:26:41Z)
• A Survey of Open Source User Activity Traces with Applications to User Mobility Characterization and Modeling [4.936226952764696]
  ユーザモビリティ研究の最先端は、オープンソースのモビリティトレースに大きく依存している。 これらのトレースのほとんどは機能豊かで多様であり、提供される情報だけでなく、どのように利用され、活用されるかにも当てはまります。 本調査では,移動モード,データソース,収集技術を含むオープンソースモビリティトレースを分類する分類法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:05:11Z)
• Mobility-Aware Cluster Federated Learning in Hierarchical Wireless Networks [81.83990083088345]
  我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。 分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。 これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-20T10:46:58Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)
• Station-to-User Transfer Learning: Towards Explainable User Clustering Through Latent Trip Signatures Using Tidal-Regularized Non-Negative Matrix Factorization [4.713006935605146]
  この研究は、モビリティデータと、それが都市のモビリティパターンの理解を改善するためにどのように役立つかに焦点を当てている。 そこで我々は,駅レベルの信号から学習した集合パターンを用いて,ユーザレベルの学習を増強する,遅延表現による集合学習フレームワークを提案する。 ワシントンD.C.都市圏の駅機能とユーザプロファイルの質的分析を行い,都市内モビリティ調査を支援する方法を示す。
  論文  参考訳（メタデータ） (2020-04-27T14:13:56Z)
• Empirical Characterization of Mobility of Multi-Device Internet Users [1.1141688859736805]
  我々は、大規模なキャンパスWiFiデータセットを用いて、複数のデバイスを複数の空間スケールで所有する現代のインターネットユーザのモビリティを実証分析した。 この結果から,ユーザに属する複数のデバイスのモビリティを独立して解析し,グループとしてモデル化する必要があることが示された。 分析の結果, 利用者の移動性は, 建物内や建物間など, 異なる空間スケールで異なる特徴を示すことがわかった。
  論文  参考訳（メタデータ） (2020-03-18T23:50:35Z)

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。