論文の概要: Stable Trajectory Clustering: An Efficient Split and Merge Algorithm

• arxiv url: http://arxiv.org/abs/2504.21808v1
• Date: Wed, 30 Apr 2025 17:11:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 17:41:10.610496
• Title: Stable Trajectory Clustering: An Efficient Split and Merge Algorithm
• Title（参考訳）: 安定な軌道クラスタリング:効率的な分割とマージアルゴリズム
• Authors: Atieh Rahmani, Mansoor Davoodi, Justin M. Calabrese,
• Abstract要約: クラスタリングアルゴリズムは、パターンを特定するために特徴によってデータポイントをグループ化する。 本稿ではDBSCAN線分クラスタリングに基づく全軌道クラスタリングとサブ軌道クラスタリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.9253333342733674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustering algorithms group data points by characteristics to identify patterns. Over the past two decades, researchers have extended these methods to analyze trajectories of humans, animals, and vehicles, studying their behavior and movement across applications. This paper presents whole-trajectory clustering and sub-trajectory clustering algorithms based on DBSCAN line segment clustering, which encompasses two key events: split and merge of line segments. The events are employed by object movement history and the average Euclidean distance between line segments. In this framework, whole-trajectory clustering considers entire entities' trajectories, whereas sub-trajectory clustering employs a sliding window model to identify similar sub-trajectories. Many existing trajectory clustering algorithms respond to temporary anomalies in data by splitting trajectories, which often obscures otherwise consistent clustering patterns and leads to less reliable insights. We introduce the stable trajectory clustering algorithm, which leverages the mean absolute deviation concept to demonstrate that selective omission of transient deviations not only preserves the integrity of clusters but also improves their stability and interpretability. We run all proposed algorithms on real trajectory datasets to illustrate their effectiveness and sensitivity to parameter variations.
• Abstract（参考訳）: クラスタリングアルゴリズムは、パターンを特定するために特徴によってデータポイントをグループ化する。 過去20年間、研究者たちはこれらの手法を拡張して、人間、動物、車両の軌跡を分析し、アプリケーション全体の行動と動きを研究してきた。 本稿では,DBSCAN線セグメントクラスタリングに基づく全軌道クラスタリングとサブ軌道クラスタリングアルゴリズムについて述べる。 これらの出来事は、対象運動の歴史と、線分間の平均ユークリッド距離によって引き起こされる。 このフレームワークでは、全軌道クラスタリングはエンティティ全体の軌跡を考慮し、サブ軌道クラスタリングは類似の軌跡を識別するためにスライディングウインドウモデルを使用する。 多くの既存のトラジェクトリクラスタリングアルゴリズムは、トラジェクトリを分割することでデータの一時的な異常に応答する。 本稿では, 平均絶対偏差の概念を活用する安定軌道クラスタリングアルゴリズムを導入し, 過渡偏差の選択的欠落がクラスタの整合性を維持するだけでなく, その安定性と解釈性を向上させることを実証する。 提案する全てのアルゴリズムを実軌道データセット上で実行し,その有効性とパラメータ変動に対する感度を示す。

関連論文リスト

• Distribution-Based Trajectory Clustering [14.781854651899705]
  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。
  論文  参考訳（メタデータ） (2023-10-08T11:28:34Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [69.15976031704687]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• A Computational Theory and Semi-Supervised Algorithm for Clustering [0.0]
  半教師付きクラスタリングアルゴリズムを提案する。 クラスタリング法のカーネルは、Mohammadの異常検出アルゴリズムである。 結果は、合成および実世界のデータセットで示される。
  論文  参考訳（メタデータ） (2023-06-12T09:15:58Z)
• 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)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Spatiotemporal k-means [39.98633724527769]
  マルチスケールクラスタを解析できるk-means (STk) と呼ばれる2つの時間クラスタリング手法を提案する。 我々は、STkMがより複雑な機械学習タスク、特にビデオにおける関心の検出と追跡の教師なし領域にどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-11-10T04:40:31Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Trajectory Clustering Performance Evaluation: If we know the answer, it's not clustering [0.6472434306724609]
  軌道クラスタリングは教師なしのタスクである。 7つの交差点の軌跡データを用いて,類似度,クラスタリングアルゴリズム,評価尺度の総合的な比較を行う。
  論文  参考訳（メタデータ） (2021-12-02T19:25:38Z)
• Mining frequency-based sequential trajectory co-clusters [0.2578242050187029]
  セマンティック・トラジェクトリ・コクラスタをマイニングするための新しいトラジェクトリ・コクラスタリング法を提案する。 同時に、それらが現れる順序を考慮に入れた軌道とその要素をまとめる。 提案手法を実世界の公開データセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-10-27T01:18:42Z)
• Fuzzy clustering algorithms with distance metric learning and entropy regularization [0.0]
  本稿では,ユークリッド,シティブロック,マハラノビス距離とエントロピー正規化に基づくファジィクラスタリングアルゴリズムを提案する。 合成および実データセットに関するいくつかの実験は、ノイズの多い画像テクスチャセグメンテーションへの応用を含む、これらの適応クラスタリング手法の有用性を実証している。
  論文  参考訳（メタデータ） (2021-02-18T18:19:04Z)
• (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)
• 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)
• Stable and consistent density-based clustering via multiparameter persistence [77.34726150561087]
  トポロジカルデータ解析による次数-リップス構成について考察する。 我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。 私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
  論文  参考訳（メタデータ） (2020-05-18T19:45:04Z)

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。