文章:iVizTRANS: Interactive visual learning for home and work place detection from massive public transportation data
作者:Yu L, Wu W, Li X, et al.
来源:Visual Analytics Science and Technology (VAST), 2015 IEEE Conference on. IEEE, 2015: 49-56.
本工作包含:
1,时空可视化职住地以更好的辅助决策人员
2,利用机器学习方法从用户学习,将学到的知识来批量自动对职住地分类。
当前工作的类型:
1,经验模型
2,带参数的经验模型
但是由于居民出行的复杂性(有些只有单程出行信息,有的市民有轮班,夜班,兼职,多个home或者work地点),当前的方法存在两个局限性:
1,不能解决复杂性,比如机场有的上夜班,现有方法把机场当作了home。
还有假设人们访问home比访问work更频繁的假设也值得怀疑,特别是使用刷卡数据的时候。还有可能有的人有多个工作地点或者home。
作者:Yu L, Wu W, Li X, et al.
来源:Visual Analytics Science and Technology (VAST), 2015 IEEE Conference on. IEEE, 2015: 49-56.
本工作包含:
1,时空可视化职住地以更好的辅助决策人员
2,利用机器学习方法从用户学习,将学到的知识来批量自动对职住地分类。
当前工作的类型:
1,经验模型
2,带参数的经验模型
但是由于居民出行的复杂性(有些只有单程出行信息,有的市民有轮班,夜班,兼职,多个home或者work地点),当前的方法存在两个局限性:
1,不能解决复杂性,比如机场有的上夜班,现有方法把机场当作了home。
还有假设人们访问home比访问work更频繁的假设也值得怀疑,特别是使用刷卡数据的时候。还有可能有的人有多个工作地点或者home。
2,难以验证模型的正确性。
系统框架如下:
用户标注出home/work后,训练出分类模型,然后利用分类器对地点分类,
使用者可以对此进行纠错,然后再训练模型,当分类器的性能到达一定水平后,可以大规模的使用。
利用时空立方体可视化,蓝色为起点,橙色为重点,时间对齐到一天。
用Arc图来标注地点之间的联系:
由于关注长时间停留的地点,因此对trip进行聚集,trip小于3.5小时则合并为一个trip,如下图。
移除随机trip,保留具有dominant模式的trip,对trip进行聚类(利用起始、终止的地点和时间),如下图。
下图是一些统计表,其中e为出发和到达时间的谱,这里可能是搬家 了。
特征构建:
1,Primitive statistical descriptors
2,Comparative descriptors
3,Partial descriptors
特征:
注意:这里没有使用一天的出发时间和到达时间,这是由于考虑了机场等地方有夜班等情况。