论文
文章平均质量分 88
csdnzhiwang
这个作者很懒,什么都没留下…
展开
-
Fast Large-Scale Trajectory Clustering
摘要在本文中,我们研究了大规模轨迹数据聚类问题,即k-path,其目的是有效地识别道路网络中的k个“代表性”路径。与需要多个数据相关超参数的传统聚类方法不同,k路径可用于交通监控、公共交通规划和选址等应用中的可视化探索。通过将地图匹配与轨迹的有效中间表示和新的基于边缘的距离(EBD)度量相结合,我们提出了一种可扩展的聚类方法来求解k路径。实验证明,我们可以在不到一分钟的时间内聚类数百万条出租车轨迹,比解决类似轨迹聚类问题的最先进解决方案提高了两个数量级。简介无处不在的轨迹数据是由各种各样的资源生成的,原创 2021-02-03 10:30:16 · 381 阅读 · 0 评论 -
ACM综述:Trajectory Outlier Detection: Algorithms, Taxonomies, Evaluation, and Open Challenges
摘要回顾轨迹异常处理(TOD)的算法基于应用,output,算法层面上的分类算法在小中大数据集上的表现挑战,和待解决的问题introduction1.1 Review works这篇文章关于异常处理的深度学习算法Raghavendra Chalapathy and Sanjay Chawla. 2019. Deep learning for anomaly detection: A survey. arXiv:1901.03407Gupta等人。[54]提供了一个有趣的调查,讨论了检测原创 2020-09-16 20:32:01 · 1428 阅读 · 2 评论 -
TTDM: A Travel Time Difference Model for Next Location Prediction
tips:文章发的不是特别好,但是是相关的研究,并且作者提供了github链接,可以试着研究一下abstract:下一个位置预测对于许多基于位置的应用程序非常重要,并为企业和政府提供了必要的情报。在现有研究中,进行下一个位置预测的常用方法是基于条件概率来学习具有大量历史轨迹的序列变化。不幸的是,由于时间和空间的复杂性,这些方法(例如,马尔可夫模型)仅使用刚通过的位置来预测下一个位置,而不考虑轨迹中所有通过的位置。在本文中,我们试图通过考虑从查询轨迹中所有经过的位置到候选下一个位置的旅行时间来提高预测性能原创 2020-05-18 09:58:29 · 750 阅读 · 0 评论 -
Deep Learning for Spatio-Temporal Data Mining: A Survey
摘要:随着时空数据集的数量,数量和分辨率的迅速提高,传统的数据挖掘方法,尤其是基于统计的处理此类数据的方法正变得不知所措。近年来,随着深度学习技术的进步,诸如卷积神经网络(CNN)和递归神经网络(RNN)之类的深度学习模型由于在空间和时间上都具有强大的层次特征学习能力而在各种机器学习任务中都取得了相当大的成功。领域,并已广泛应用于各种时空数据挖掘(STDM)任务,例如预测学习,表示学习,异常检测和分类。在本文中,我们提供了有关将深度学习技术应用于STDM的最新进展的全面调查。我们首先对时空数据的类型进行分原创 2020-05-12 10:53:00 · 2801 阅读 · 1 评论 -
T-Finder: A Recommender System for Finding Passengers and Vacant Taxis(阅读笔记)2020/3/25
写在前面确定方向第一篇论文,记录写来,否则后面看的多的话,不记住不总结效果会特别差摘要做了什么:为出租车司机和乘客进行双向推荐对于出租车司机:进行一个位置,以及到达这些位置的路线推荐对于乘客:推荐一个位置(在可以到达的距离之内)怎么做:从历史轨迹学习乘客的出行模式,司机的上下车行为。把这个用概率表示的知识输入模型进行推荐简介出租车轨迹能学习到两方面的知识,乘客的移动模式(何时何地...原创 2020-03-25 14:52:47 · 411 阅读 · 0 评论 -
出租车轨迹相关论文
(Blue) Taxi Destination and Trip Time Prediction from Partial Trajectories*Artificial Neural Networks Applied to Taxi Destination Prediction*T-Finder: A Recommender System for Finding Passengers an...原创 2020-03-24 14:40:48 · 336 阅读 · 0 评论