近五年城市轨迹数据挖掘的相关文章整理

1. Xiaoyu Sun 、Zhou Huang 于2018年发表的“Building a model-based personalised recommendation approach for tourist attractions from geotagged social media data”一文中使用了SVM模型和梯度提升决策树实现了一种基于社交网络的旅游个性化推荐方法。
2. Xinyu Wu ，Zhou Huang 等与2018年发表的”Building a Spatially-Embedded Network of Tourism Hotspots From Geotagged Social Media Data“一文中使用CFSFDP（Clustering by Fast Search and Find of Density Peaks）聚类算法提供了一种基于社交媒体地理大数据构建空间嵌入式网络的方法。
3. 朱递在2017年发表的“Inferring spatial interaction patterns from sequential snapshots of spatial distribution”一文中将大规模线性规划算法以及人类移动的空间约束整合，提出一种基于连续空间分布反演空间交互模式的方法。
4. Yung En Chee，Lauchlin Wilkinson等于2017年发表的 “Modelling spatial and temporal changes with GIS and Spatial and Dynamic Bayesian Networks”一文中使用空间贝叶斯方法提出一种模拟管理生态系统中时间变化的模型。
5. 高松在2017年发表的 “Extracting urban functional regions from points of interest and human activities on location-based social networks”一文中使用主题模型和隐含狄利克雷分布模型利用POI（points of interest）共现现象和签到数据提取城市功能区。
6. Jun Xu 、Aoyong Li 等于2017年发表的 “Difference of urban development in China from the perspective of passenger transport around Spring Festival”一文中运用复杂网络分析的方法研究城市间人口迁移特征。
7. 康朝贵等于2017年发表的“Understanding the interplay between bus, metro, and cab ridership dynamics in Shenzhen, China”一文中利用基于邻接关系的谱聚类方法来挖掘具体的居民出行模式.
8. 龚咏喜在2017年发表的”Exploring the spatiotemporal structure of dynamic urban space using metro smart card records”一文中使用主成分方法分析地铁站点动态空间变化的基本模式。
9. Ge Cui,、Jun Luo于2017年发表的”Personalized travel route recommendation using collaborative filtering based on GPS trajectories“一文中基于朴素贝叶斯模型生成具有用户旅行行为的最大概率的路线。
10. Yingjie Hu、Song Gao 等于2015年发表的”Extracting and understanding urban areas of interest using geotagged photos“一文中使用 DBSCAN聚类算法提出了一个基于地理标记照片的城市AOI提取和理解的连贯框架。
11. Ta Peng and Zhou Huang于2017年发表的 ”A Novel Popular Tourist Attraction Discovering Approach Based on Geo-Tagged Social Media Big Data“一文中通过整合空间聚类和文本挖掘方法来提取热门旅游景点。
12. Tao Pei于2014年发表的 ”A new insight into land use classification based on aggregated mobile phone data”一文中应用半监督模糊c均值聚类方法来推断土地利用类型。
13. Cheng zhong 等于2014年发表的 “Inferring building functions from a probabilistic model using public transportation data”一文中使用基于概率贝叶斯模型的乘客移动模式推导出关于日常活动的旅行目的的信息
14. Mohamed Bakillah 于2014年发表的“Geo-located community detection in Twitter with enhanced fast-greedy optimization of modularity: the case study of typhoon Haiyan”一文中将增强的具有语义相似性的模块化聚类算法与基于密度的变化的应用空间聚类相结合并利用噪声空间聚类算法获得不同时间快照的空间聚类，来提取与识别报告灾害相关事件的区域相关的社区。
15. Amin Tayyebiy等于2014年发表的 “Modeling multiple land use changes using ANN, CART and MARS: Comparing tradeoffs in goodness of fit and explanatory power of data mining tools”一文中使用ANN，CART和MARS对多个土地利用变化进行建模：比较拟合优度和数据挖掘工具解释力的综合表现。
16. Chen Zhong、Michael Batty于2018年发表的 “Spatiotemporal variation in travel regularity through transit user profiling”一文中使用DBSCAN聚类方法来识别与特定个体相关联的旅行事件的集群从而分析用户的出行规律。
17. Jie chen、Tao Pei等于2018年发表的 “Fine-grained prediction of urban population using mobile phone location data”一文中该方法通过使用当前流入模式估计未来流入人口并使用人工神经网络模拟群体的空间相关性来模拟群体的时间依赖性。
18. Tao pei、Weiyi Wang等于2015年发表的“Density-based clustering for data containing two types of points”一文中提出了一种基于密度的聚类方法来识别双组分簇，从而由出租车行程数据识别出三种类型的双组分集群：高密度起源和目的地，高密度起源和低密度目的地，以及低密度起源和高密度目的地。
19. Ci Song、Tao Pei,等于2018年发表的 “Detecting arbitrarily shaped clusters in origindestination flows using ant colony optimization”一文中提出了一种基于蚁群优化（ACO）的空间扫描统计方法，用于检测任意形状的OD流簇。
20. Lin Wan、Yuming Hong等于2018年发表的 “A hybrid ensemble learning method for tourist route recommendations based on geo-tagged social networks”一文中结合KNN分类器和贝叶斯分类器提出了一种混合集成学习方法：BAyes-Knn，用于从用户的位置标记数据挖掘其地理偏好来预测旅行者的个性化旅游路线。
21. Yizhao Gao、Ting Li等于2018年发表的 “A multidimensional spatial scan statistics approach to movement pattern comparison”一文中开发了一种多维伯努利空间扫描统计方法，用于检测具有异常高浓度的一个运动数据集的OD区域对。
22. Ran Tao、Jean-Claude Thill于2016年发表的“A Density-Based Spatial Flow Cluster Detection Method”一文中介绍了一种基于密度的聚类检测方法用于分解的空间流数据，该方法可以有效地从包含不同流量密度，长度，层次的各种情况中提取流量集群，同时避免流量端点的可修改区域单元问题（MAUP），空间信息丢失和错误的问题。
23. Kieu, Le Minh, Bhaskar, Ashish于2014年发表的 “Transit passenger segmentation using travel regularity mined from Smart Card transactions data”一文中本文采用基于密度的噪声应用空间聚类（DBSCAN）算法挖掘每个智能卡用户的旅行规律。然后使用旅行规律通过先验市场分割方法对智能卡用户进行分段。
24. TakahikoKusakabe、YasuoAsakura于2014年发表的 “Behavioural data mining of transit smart card data: A data fusion approach”一文中利用朴素贝叶斯概率模型开发了智能卡数据和人员旅行调查数据的融合方法。用于使用智能卡数据估计出行的行为属性，以观察出行属性的持续长期变化。
25. Nai Chun Chen 、Wanqin Xie 、 Roy E. Welsch等于2017年发表的 “Comprehensive Predictions of Tourists’ Next Visit Location Based on Call Detail Records Using Machine Learning and Deep Learning Methods”一文中用多种分类算法，包括决策树，随机森林，神经网络，朴素贝叶斯和SVM，对来自呼叫详细记录（CDR）数据的个人行为模式进行了全面研究，以预测游客的未来停留。