論文の概要: A framework for mining lifestyle profiles through multi-dimensional and
high-order mobility feature clustering
- arxiv url: http://arxiv.org/abs/2312.00411v1
- Date: Fri, 1 Dec 2023 08:21:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 15:16:59.963533
- Title: A framework for mining lifestyle profiles through multi-dimensional and
high-order mobility feature clustering
- Title(参考訳): 多次元・高次モビリティ特徴クラスタリングによるライフスタイルプロファイルのマイニング
- Authors: Yeshuo Shu, Gangcheng Zhang, Keyi Liu, Jintong Tang, Liyan Xu
- Abstract要約: 本研究では,ユーザの移動軌跡から高次移動特性をマイニングするプログレッシブな特徴抽出手法を提案する。
中国深セン市で,500万以上のユーザを対象としたトラジェクトリデータセットを用いた実験では,ライフスタイルの異なる7つのユーザクラスタが生成される。
- 参考スコア(独自算出の注目度): 6.0781082499464745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human mobility demonstrates a high degree of regularity, which facilitates
the discovery of lifestyle profiles. Existing research has yet to fully utilize
the regularities embedded in high-order features extracted from human mobility
records in such profiling. This study proposes a progressive feature extraction
strategy that mines high-order mobility features from users' moving trajectory
records from the spatial, temporal, and semantic dimensions. Specific features
are extracted such as travel motifs, rhythms decomposed by discrete Fourier
transform (DFT) of mobility time series, and vectorized place semantics by
word2vec, respectively to the three dimensions, and they are further clustered
to reveal the users' lifestyle characteristics. An experiment using a
trajectory dataset of over 500k users in Shenzhen, China yields seven user
clusters with different lifestyle profiles that can be well interpreted by
common sense. The results suggest the possibility of fine-grained user
profiling through cross-order trajectory feature engineering and clustering.
- Abstract(参考訳): 人間の移動性は高い規則性を示し、ライフスタイルのプロファイルの発見を促進する。
既存の研究は、そのようなプロファイリングにおいて人間の移動記録から抽出された高次特徴に埋め込まれた規則性を十分に活用していない。
本研究は,ユーザの移動軌跡記録から空間的,時間的,意味的次元から高次モビリティ特徴を抽出できるプログレッシブ特徴抽出手法を提案する。
移動モチーフ、移動時系列の離散フーリエ変換(dft)によって分解されたリズム、word2vecによるベクトル化された位置意味論などの特徴をそれぞれ3次元に対して抽出し、さらにクラスタ化してユーザのライフスタイル特性を明らかにする。
中国深セン市で,500万以上のユーザを対象にしたトラジェクトリデータセットを用いた実験により,ライフスタイルの異なる7つのユーザクラスタが得られた。
その結果,クロスオーダー軌道機能工学とクラスタリングによる詳細なユーザプロファイリングの可能性が示唆された。
関連論文リスト
- Clustering and Analysis of GPS Trajectory Data using Distance-based
Features [20.91019606657394]
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。
論文 参考訳(メタデータ) (2022-12-01T01:25:49Z) - Forecasting Human Trajectory from Scene History [51.72069374835107]
我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。
本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。
本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
論文 参考訳(メタデータ) (2022-10-17T03:56:02Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳(メタデータ) (2022-03-11T09:46:22Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳(メタデータ) (2021-04-15T14:32:12Z) - Learning Transferrable Parameters for Long-tailed Sequential User
Behavior Modeling [70.64257515361972]
テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。
具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
論文 参考訳(メタデータ) (2020-10-22T03:12:02Z) - Leveraging the Self-Transition Probability of Ordinal Pattern Transition
Graph for Transportation Mode Classification [0.0]
本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。
提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
論文 参考訳(メタデータ) (2020-07-16T23:25:09Z) - Benchmarking Unsupervised Object Representations for Video Sequences [111.81492107649889]
ViMON, OP3, TBA, SCALORの4つのオブジェクト中心アプローチの知覚能力を比較した。
この結果から,制約のない潜在表現を持つアーキテクチャは,オブジェクト検出やセグメンテーション,トラッキングといった観点から,より強力な表現を学習できる可能性が示唆された。
我々のベンチマークは、より堅牢なオブジェクト中心のビデオ表現を学習するための実りあるガイダンスを提供するかもしれない。
論文 参考訳(メタデータ) (2020-06-12T09:37:24Z) - 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) - DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis [10.335486459171992]
我々は,Deep Embedded TrajEctor ClusTering Network (DETECT)と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。
DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性から派生した文脈で拡張することで軌道を変換する。
第2部では、潜在行動空間におけるトラジェクトリの強力な表現を学び、これによりクラスタリング関数(例えば$k$means)を適用できる。
論文 参考訳(メタデータ) (2020-03-03T06:09:15Z) - Mobility Inference on Long-Tailed Sparse Trajectory [2.4444287331956898]
大規模トラジェクトリデータにおいて,汎用的な長い尾の空間パターンを利用する単一トラジェクトリ推論アルゴリズムを提案する。
このアルゴリズムは、リコールにおける証明可能な低いバウンドで、滞在/旅行推論における100%の精度を保証する。
都市ユーザ4000万人を対象とした3つの軌跡データセットによる評価は,提案アルゴリズムの性能保証を検証した。
論文 参考訳(メタデータ) (2020-01-21T16:32:38Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳(メタデータ) (2020-01-08T04:05:11Z)
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。