A Framework for Spatial-Temporal Trajectory Cluster Analysis Based on Dynamic Relationships
Notice bibliographique
Résumé
In spatial-temporal data analysis, location data and its evolution through time are investigated with the goal of uncovering important information to provide novel insights. These insights, for example, may involve congestion identification in transportation, mobility patterns in urban computing, and storm prediction in weather forecasting. Clustering, one data analysis technique, groups spatial-temporal data based on location. Current spatial-temporal data analysis techniques fail to investigate relationships between spatial-temporal clusters, such as splitting from a cluster and merging with another one because of a change of properties over time. These relationships could hold valuable information about the existence of a cluster and its interactions with other clusters and trajectories. In this paper, we introduce a framework to identify, process, and analyze relationships between clusters of spatial-temporal data (e.g. enter, merge, or split). We describe its architecture and components, as well as a proposed clustering technique, the different approaches for distance calculation, and how we calculate cluster similarity of temporally separated clusters. The result of these operations are used in the identification of cluster relationships over space and time. The analysis of these relationships helps uncover hidden values that could support novel approaches to more effective decision-making. We evaluate our framework with two case studies, based on truck and human trajectories.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».