Publikace detail

Comparison of Geospatial Trajectory Clustering and Feature Trajectory Clustering for Public Transportation Trip Data

Autoři: Cogollos Adrian Hector | Baruque Zanon Bruno | Porras Alfonso Santiago | Doležel Petr

Rok: 2023

Druh publikace: článek ve sborníku

Název zdroje: Hybrid Artificial Intelligent Systems : 18th International Conference, HAIS 2023, proceedings

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 589-599

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Srovnání geoprostorového shlukování trajektorií a shlukování trajektorií prvků pro data o cestách veřejnou dopravou	Jednou z technik analýzy cestovních vzorců v síti veřejné dopravy je shlukování pohybů uživatelů za účelem identifikace vzorců pohybu. Tento článek analyzuje a porovnává dvě různé metodiky shlukování trajektorií veřejné dopravy: shlukování prvků a geoprostorové shlukování trajektorií. Výsledky shlukování prvků cesty, jako je počátek, cíl nebo vzdálenost, jsou porovnávány se shlukováním ujetých trajektorií podle jejich geoprostorových charakteristik. U obou metodik jsou porovnávány algoritmy založené na hustotě a hierarchickém shlukování. U geoprostorového shlukování jsou do srovnání zahrnuty různé metriky pro měření vzdáleností mezi trajektoriemi. Výsledky jsou hodnoceny analýzou jejich kvality prostřednictvím koeficientu siluety a grafického znázornění shluků na mapě. Výsledky ukazují, že geoprostorové shlukování trajektorií nabízí lepší kvalitu než shlukování trajektorií podle prvků. Také v případě dlouhých a úplných trajektorií překonává hustotní shlukování pomocí editační vzdálenosti s reálnou trestnou vzdáleností ostatní kombinace.	HDBSCAN; Aglomerativní klastrování; ERP; DTW
eng	Comparison of Geospatial Trajectory Clustering and Feature Trajectory Clustering for Public Transportation Trip Data	One of the techniques for the analysis of travel patterns on a public transport network is the clustering of the users movements, in order to identify movement patterns. This paper analyses and compares two different methodologies for public transport trajectory clustering: feature clustering and geospatial trajectory clustering. The results of clustering trip features, such as origin, destination, or distance, are compared against the clustering of travelled trajectories by their geospatial characteristics. Algorithms based on density and hierarchical clustering are compared for both methodologies. In geospatial clustering, different metrics to measure distances between trajectories are included in the comparison. Results are evaluated by analysing their quality through the silhouette coefficient and graphical representations of the clusters on the map. The results show that geospatial trajectory clustering offers better quality than feature trajectory clustering. Also, in the case of long and complete trajectories, density clustering using edit distance with real penalty distance outperforms other combinations.	HDBSCAN; Agglomerative Clustering; ERP; DTW

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte