[文章摘要]Clustering daily patterns of human activities in the city
2016-01-10 21:30
429 查看
文章:Clustering daily patterns of human activities in the city
作者:Jiang, Shan, Joseph Ferreira, and Marta C. González.
来源:Data Mining and Knowledge Discovery, 2012, 25(3): 478-510.
本文利用芝加哥城区的居民活动调查数据来调查:
1,个人的日常活动结构
2,个人的日常活动的随时间的变化
3,对个人活动进行聚类,并与其社会经济属性(职业、年龄、收入、受教育水平等)进行关联
总体在工作日和周末可分别聚集为8个和7个聚簇。
特点:
1,本方法没有假设社会经济属性的分类,而是利用非监督分类的方法。
2,将活动类别与社会经济属性关联来分析,总结了每个聚簇的社会经济特点。
本应用可为很多其他人类活动的模型服务,包括:
时间利用分析、人类移动性、应急处理和传染病扩散。
下图为活动的类别,将原有的23类,聚集为9类,分别用不同颜色表示。
![](http://img.blog.csdn.net/20160110211251807)
下图是工作日不同时间的芝加哥人类活动概览。
![](http://img.blog.csdn.net/20160110211258237)
下图是周末不同时间的芝加哥人类活动概览。
![](http://img.blog.csdn.net/20160110211304242)
下图是工作日和周末个人随时间的活动图。
![](http://img.blog.csdn.net/20160110211309634)
下图是工作日和周末活动图的叠加。
![](http://img.blog.csdn.net/20160110211315084)
其中用PCA和聚类分析聚集了个人活动的类别。
下图为工作日的活动模式,共为8类。
![](http://img.blog.csdn.net/20160110212022708)
本工作课用来丰富其它模型的要素,当然,传感器数据必须包含详细的GIS数据,比如土地利用数据或者POI数据等。
模型有传染病扩散模型。
作者:Jiang, Shan, Joseph Ferreira, and Marta C. González.
来源:Data Mining and Knowledge Discovery, 2012, 25(3): 478-510.
本文利用芝加哥城区的居民活动调查数据来调查:
1,个人的日常活动结构
2,个人的日常活动的随时间的变化
3,对个人活动进行聚类,并与其社会经济属性(职业、年龄、收入、受教育水平等)进行关联
总体在工作日和周末可分别聚集为8个和7个聚簇。
特点:
1,本方法没有假设社会经济属性的分类,而是利用非监督分类的方法。
2,将活动类别与社会经济属性关联来分析,总结了每个聚簇的社会经济特点。
本应用可为很多其他人类活动的模型服务,包括:
时间利用分析、人类移动性、应急处理和传染病扩散。
下图为活动的类别,将原有的23类,聚集为9类,分别用不同颜色表示。
下图是工作日不同时间的芝加哥人类活动概览。
下图是周末不同时间的芝加哥人类活动概览。
下图是工作日和周末个人随时间的活动图。
下图是工作日和周末活动图的叠加。
其中用PCA和聚类分析聚集了个人活动的类别。
下图为工作日的活动模式,共为8类。
本工作课用来丰富其它模型的要素,当然,传感器数据必须包含详细的GIS数据,比如土地利用数据或者POI数据等。
模型有传染病扩散模型。
相关文章推荐
- python中kmeans聚类实现代码
- 从SVD到PCA——奇妙的数学游戏
- 白化(Whitening):PCA vs. ZCA
- 聚类算法总结
- kmeans python版
- Mahout-kmeans命令行文本文件聚类
- Kernel PCA
- 聚类问题
- 聚类分析
- SVD分解的理解
- gmm(Gaussian Mixture Mode)的理解
- 聚类(序)——监督学习与无监督学习
- 聚类(1)——混合高斯模型 Gaussian Mixture Model
- 聚类(2)——层次聚类 Hierarchical Clustering
- Kmeans和FMC自己理解
- K-means(K-均值)算法和降维对分算法 VB实现及应用
- pca 主成分分析
- PCA算法人脸识别小结--原理到实现
- vs2010+opencv调试
- PCA实训报告