基于车牌识别数据的通勤模式分析

这是我们实验室发在part C上的一篇论文，链接可直接下载。文章用的方法还是比较简单的，但是我觉得还是有一定创新性和实用性的。

1.文章概述

文章基于车牌识别数据，提取出了若干时空出行特性，然后用因子分析方法去除相关性，得到了3个线性无关的因子，分别从3个角度刻画时空出行特性。继而，使用了3种聚类方法做聚类，选择最好的一种为代表。在此基础上，用决策树模型做通勤规则提取。总体思路是这些，后面也做了一些讨论和行为分析。

2.文章贡献

文章在方法论上实际上没什么创新，都是些简单的方法。我个人觉得这篇文章主要贡献或者说创新在于思路和实践上，包括以下：

1. 本方法可推广于很多类似的时空大数据，此外，本方法可应用于超大规模样本数据，且一旦得到规则，无需每次不断的执行算法，该规则也可应用于其他地区或城市，当然应该结合城市特性做修正。
2. 文章加深了对通勤模式车辆出行行为特性的理解，这个加深理解我觉得可以有两方面，一方面是我们得到了通勤规则，规则是通勤行为很好的代表，另一方面我们对出行行为做了更深入的分析，这些分析可以加深对通勤车辆出行行为的理解。
3. 文章使用了多种聚类算法并进行比较，对车牌识别数据分析挖掘有所助力。

3.参考文献

具体内容可以看文章了。
Yao W, Zhang M, Jin S, et al. (2021). Understanding vehicles commuting pattern based on license plate recognition data. Transportation Research Part C: Emerging Technologies. https://doi.org/10.1016/j.trc.2021.103142