論文の概要: Distribution-Based Trajectory Clustering
- arxiv url: http://arxiv.org/abs/2310.05123v2
- Date: Mon, 30 Oct 2023 07:26:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 22:23:05.840280
- Title: Distribution-Based Trajectory Clustering
- Title(参考訳): 分布に基づく軌道クラスタリング
- Authors: Zi Jing Wang, Ye Zhu, Kai Ming Ting
- Abstract要約: 軌道クラスタリングは、軌道データの共通パターンの発見を可能にする。
距離測定には高い計算コストと低い忠実度という2つの課題がある。
我々は,最近の分散カーネル(IDK)を3つの課題に対処するための主要なツールとして利用することを提案する。
- 参考スコア(独自算出の注目度): 14.781854651899705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory clustering enables the discovery of common patterns in trajectory
data. Current methods of trajectory clustering rely on a distance measure
between two points in order to measure the dissimilarity between two
trajectories. The distance measures employed have two challenges: high
computational cost and low fidelity. Independent of the distance measure
employed, existing clustering algorithms have another challenge: either
effectiveness issues or high time complexity. In this paper, we propose to use
a recent Isolation Distributional Kernel (IDK) as the main tool to meet all
three challenges. The new IDK-based clustering algorithm, called TIDKC, makes
full use of the distributional kernel for trajectory similarity measuring and
clustering. TIDKC identifies non-linearly separable clusters with irregular
shapes and varied densities in linear time. It does not rely on random
initialisation and is robust to outliers. An extensive evaluation on 7 large
real-world trajectory datasets confirms that IDK is more effective in capturing
complex structures in trajectories than traditional and deep learning-based
distance measures. Furthermore, the proposed TIDKC has superior clustering
performance and efficiency to existing trajectory clustering algorithms.
- Abstract(参考訳): 軌道クラスタリングは、軌道データの共通パターンの発見を可能にする。
現在の軌道クラスタリングの方法は、2つの軌道間の相似性を測定するために2つの点間の距離測度に依存する。
距離測定には高い計算コストと低い忠実度という2つの課題がある。
既存のクラスタリングアルゴリズムが採用する距離測定とは独立に、別の課題がある。
本稿では,最近の分散カーネル(IDK)を3つの課題に対処するための主要なツールとして用いることを提案する。
TIDKCと呼ばれる新しいIDKベースのクラスタリングアルゴリズムは、軌道類似度測定とクラスタリングに分散カーネルをフル活用する。
TIDKCは不規則な形状と線形時間における密度の異なる非線形分離性クラスターを同定する。
ランダム初期化に依存しず、外れ値に対して堅牢である。
7つの大規模実世界の軌跡データセットの広範な評価により、IDKは従来の深層学習に基づく距離測定よりも、軌跡内の複雑な構造を捉えるのに効果的であることが示された。
さらに,提案したTIDKCは,既存のトラジェクトリクラスタリングアルゴリズムよりもクラスタリング性能と効率が優れている。
関連論文リスト
- GBCT: An Efficient and Adaptive Granular-Ball Clustering Algorithm for Complex Data [49.56145012222276]
粒状球クラスタリング(GBCT)と呼ばれる新しいクラスタリングアルゴリズムを提案する。
GBCTは、従来の点関係ではなく、グラニュラーボールの関係に従ってクラスタを形成する。
グラニュラーボールは様々な複雑なデータに適合するので、GBCTは従来のクラスタリング法よりも非球面データセットにおいてはるかに優れている。
論文 参考訳(メタデータ) (2024-10-17T07:32:05Z) - Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T08:59:51Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-12-17T04:41:07Z) - Clustering Method for Time-Series Images Using Quantum-Inspired
Computing Technology [0.0]
時系列クラスタリングは、クラスタに関する事前の知識がなければ、時系列データの強力なデータマイニング技術として機能する。
本研究では,アニーリングマシンを利用した新しい時系列クラスタリング手法を提案する。
論文 参考訳(メタデータ) (2023-05-26T05:58:14Z) - Rethinking k-means from manifold learning perspective [122.38667613245151]
平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。
具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。
異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
論文 参考訳(メタデータ) (2023-05-12T03:01:41Z) - A new distance measurement and its application in K-Means Algorithm [7.168628921229442]
ユークリッド距離に基づくK平均クラスタリングアルゴリズムは、サンプル間の線形距離にのみ注意を払う。
我々は,新しい距離測定,すなわちビュー距離を提案し,それをK-Meansアルゴリズムに適用する。
実験の結果、ほとんどのデータセットにおいて、ビュー距離に基づくK-Meansアルゴリズムは分類精度とクラスタリング効果をある程度改善していることがわかった。
論文 参考訳(メタデータ) (2022-06-10T16:26:22Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - ThetA -- fast and robust clustering via a distance parameter [3.0020405188885815]
クラスタリングは機械学習の根本的な問題であり、遠隔ベースのアプローチが数十年にわたってこの分野を支配してきた。
Theta-based Algorithms (ThetA) と呼ばれる新しい距離しきい値法を提案する。
論文 参考訳(メタデータ) (2021-02-13T23:16:33Z) - (k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time
Warping [57.316437798033974]
本研究では,トラジェクトリの集中型クラスタリングの問題について考察する。
我々はDTWの連続バージョンを距離測定として使用することを提案し、これをCDTW(Continuous dynamic time warping)と呼ぶ。
一連の軌道から中心を計算し、その後反復的に改善する実践的な方法を示す。
論文 参考訳(メタデータ) (2020-12-01T13:17:27Z)
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。