文章:Mining the Semantics of Origin-Destination Flows using Taxi Traces
作者:Wangsheng Zhang, Shijian Li, Gang Pan
来源:UbiComp. 2012.
本文从出租车OD流中通过聚类挖掘出模式,并分析了语义OD流。
step1:将杭州出租车轨迹划分为网格,统计每个网格的出租车轨迹数目。
将pickup和dropoff点描述成OD流。统计发现k个最频繁的OD流符合Zipf 定律。
step2:因此使用数目大于1000的OD流来做分析。
利用power spectral denstiy分析出了周期模式:天和星期。
利用人工神经网络,还利用不同的特征,将OD流分类,结果显示weekday/weekend模式足够表示周期重复模式。
step4:语义挖掘
对OD流的起点和终点,赋予了主要的建筑物语义,比如车站、医院等,OD流也就包含了语义。
从下图可以看到从住所到酒吧的OD流随时间变化的情况。
作者:Wangsheng Zhang, Shijian Li, Gang Pan
来源:UbiComp. 2012.
本文从出租车OD流中通过聚类挖掘出模式,并分析了语义OD流。
step1:将杭州出租车轨迹划分为网格,统计每个网格的出租车轨迹数目。
将pickup和dropoff点描述成OD流。统计发现k个最频繁的OD流符合Zipf 定律。
step2:因此使用数目大于1000的OD流来做分析。
利用power spectral denstiy分析出了周期模式:天和星期。
step3:定义OD流的特征向量
下图为各个特征随时间的变化
利用人工神经网络,还利用不同的特征,将OD流分类,结果显示weekday/weekend模式足够表示周期重复模式。
step4:语义挖掘
对OD流的起点和终点,赋予了主要的建筑物语义,比如车站、医院等,OD流也就包含了语义。
从下图可以看到从住所到酒吧的OD流随时间变化的情况。