利用GPS数据与图像数据相结合,开展时空数据挖掘。
GPS及图像轨迹时空数据挖掘
相关推荐
基于GPS轨迹的周期模式挖掘方法探讨
针对周期行为挖掘中时空数据采样频率不确定、数据稀疏和时空数据噪声等问题,采用GMPF(GPS Multi-Periodic Find)算法探索用户的周期模式。该方法首先将用户轨迹序列转换为兴趣点集合,然后针对每个兴趣点进行周期挖掘。在微软亚洲研究院的Geolife项目中,利用182名用户4年的GPS数据进行了验证实验,证明了该方法的有效性,对数据噪声和稀疏性具有较好的适应性。
数据挖掘
2
2024-07-16
GPS轨迹停留点识别算法
基于多层分割算法,从GPS轨迹数据中识别活动停留点,挖掘出行信息。
数据挖掘
4
2024-05-26
CSC-791-时空数据挖掘时空数据挖掘代码
CSC-791-空间数据挖掘空间/时间数据挖掘代码
数据挖掘
4
2024-07-16
轨迹数据挖掘探索
这篇综述文章由郑宇撰写,深入探讨了轨迹数据挖掘的相关主题。
算法与数据结构
0
2024-08-11
路线熟悉度与车险风险: 基于GPS轨迹数据的分析
路线熟悉度对车险风险的影响
通过分析车主最常行驶的前十条路线行程数量占比, 探究路线熟悉度与车险风险水平之间的关系。
研究结果表明:
路线熟悉程度与车险风险水平显著相关。
随着熟悉路线行程数量占比的上升, 车险出险频率明显下降, 这与人们的普遍认知一致。
使用前一、前三或前十位熟悉路线计算占比, 均可得出上述结论, 其中前十位熟悉路线行程数量占比对风险的区分能力最强 (如图24所示)。
算法与数据结构
3
2024-05-23
基于出租车轨迹的城市居民出行时空特征分析
研究基于出租车轨迹数据的城市居民出行时空特征,揭示居民出行的时间和空间分布规律。通过分析出租车轨迹和POI数据,研究发现深圳市居民出行存在早、中、晚高峰,以及空间上的局部密集和圈层递减现象。此外,研究还分析了居民购物和办公行为的出行时间和距离特征的相似性。GIS技术在居民出行时空特征分析中发挥关键作用,结合POI数据,能够量化分析出行规律。数据挖掘技术也能通过出租车轨迹和POI数据挖掘,揭示出居民出行的时空分布规律。研究结果为城市管理和规划提供了重要依据,帮助理解城市功能结构,推动智能化和信息化发展。
数据挖掘
1
2024-07-13
开源时空数据挖掘库c2001空间时间挖掘工具
当前库包含通用关联规则挖掘框架(GARMF),支持从事务、空间数据集和时空数据集中挖掘关联规则,并支持增量挖掘。另外还包括规则过滤库(RFL)和规则评估库。此外,还提供了DAP-Shell、GARMF和RFL的GUI界面。
数据挖掘
2
2024-08-02
Python 版时空大数据交通分析挖掘可视化
提供了交通时空大数据分析、挖掘、可视化源码,助力理解和实践相关技术。
数据挖掘
6
2024-04-30
Geolife Trajectories 1.3.zip 第二部分 GPS轨迹数据集详细分析
该GPS轨迹数据集由182位用户参与微软亚洲研究院的Geolife项目,在2007年4月至2012年8月间共同收集。数据包含17,621条轨迹,总距离达1,292,951公里,持续时间超过50,176小时。每个轨迹由时间戳点组成,记录了纬度、经度和海拔高度信息。记录设备包括各种GPS记录仪和GPS手机,采样率不一,其中91.5%的轨迹密集记录每秒1-5次或每5-10米。数据集涵盖了广泛的户外活动,如回家、上班、购物、观光、餐饮、远足和骑自行车等。适用于移动模式挖掘、用户活动识别、基于位置的社交网络、位置隐私和位置建议等多个研究领域。大部分数据集在中国北京采集,图示了在北京的分布情况。
算法与数据结构
2
2024-07-17