Improved F-DBSCAN for Trip End Identification Using Mobile Phone Data in Combination with Base Station Density
Notice bibliographique
Résumé
Trip end identification based on mobile phone data has been widely investigated in recent years. However, the existing studies generally use fixed clustering radii (CR) in trip end clustering algorithms, but ignore the influence of base station (BS) densities on the positioning accuracy of mobile phone data. This paper proposes a new two-step method for identifying trip ends: (1) Genetic Algorithm (GA) is utilized to optimize the CRs of DBSCAN under different BS densities. (2) We propose an improved Fast-DBSCAN (F-DBSCAN) for two objectives. One is for improving identification accuracies; the parameter CRs for judging core points can be dynamically adjusted based on the BS density around each mobile phone trace. The other is for reducing time complexity; a fast clustering improvement for the algorithm is proposed. Mobile phone data was collected by real-name volunteers with support from the communication operator. We compare the identification accuracy and time complexity of the proposed method with the existing ones. Results show that the accuracy is raised to 85%, which is approximately 6% higher than the existing methods. Meanwhile, the median running time can be reduced by about 76% by the fast clustering improvement. Especially for noncommuting trip ends, the identification accuracy can be increased by 8%. The average identification errors of travel time and trip end coordinates are reduced by about 12 min and 321 m, respectively.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».