近五年城市軌跡資料探勘的相關文章整理
阿新 • • 發佈：2018-11-13
- Xiaoyu Sun 、Zhou Huang 於2018年發表的“Building a model-based personalised recommendation approach for tourist attractions from geotagged social media data”一文中使用了SVM模型和梯度提升決策樹實現了一種基於社交網路的旅遊個性化推薦方法。
- Xinyu Wu ，Zhou Huang 等與2018年發表的”Building a Spatially-Embedded Network of Tourism Hotspots From Geotagged Social Media Data“一文中使用CFSFDP（Clustering by Fast Search and Find of Density Peaks）聚類演算法提供了一種基於社交媒體地理大資料構建空間嵌入式網路的方法。
- 朱遞在2017年發表的“Inferring spatial interaction patterns from sequential snapshots of spatial distribution”一文中將大規模線性規劃演算法以及人類移動的空間約束整合，提出一種基於連續空間分佈反演空間互動模式的方法。
- Yung En Chee，Lauchlin Wilkinson等於2017年發表的 “Modelling spatial and temporal changes with GIS and Spatial and Dynamic Bayesian Networks”一文中使用空間貝葉斯方法提出一種模擬管理生態系統中時間變化的模型。
- 高鬆在2017年發表的 “Extracting urban functional regions from points of interest and human activities on location-based social networks”一文中使用主題模型和隱含狄利克雷分佈模型利用POI（points of interest）共現現象和簽到資料提取城市功能區。
- Jun Xu 、Aoyong Li 等於2017年發表的 “Difference of urban development in China from the perspective of passenger transport around Spring Festival”一文中運用複雜網路分析的方法研究城市間人口遷移特徵。
- 康朝貴等於2017年發表的“Understanding the interplay between bus, metro, and cab ridership dynamics in Shenzhen, China”一文中利用基於鄰接關係的譜聚類方法來挖掘具體的居民出行模式.
- 龔詠喜在2017年發表的”Exploring the spatiotemporal structure of dynamic urban space using metro smart card records”一文中使用主成分方法分析地鐵站點動態空間變化的基本模式。
- Ge Cui,、Jun Luo於2017年發表的”Personalized travel route recommendation using collaborative filtering based on GPS trajectories“一文中基於樸素貝葉斯模型生成具有使用者旅行行為的最大概率的路線。
- Yingjie Hu、Song Gao 等於2015年發表的”Extracting and understanding urban areas of interest using geotagged photos“一文中使用 DBSCAN聚類演算法提出了一個基於地理標記照片的城市AOI提取和理解的連貫框架。
- Ta Peng and Zhou Huang於2017年發表的 ”A Novel Popular Tourist Attraction Discovering Approach Based on Geo-Tagged Social Media Big Data“一文中通過整合空間聚類和文字挖掘方法來提取熱門旅遊景點。
- Tao Pei於2014年發表的 ”A new insight into land use classification based on aggregated mobile phone data”一文中應用半監督模糊c均值聚類方法來推斷土地利用型別。
- Cheng zhong 等於2014年發表的 “Inferring building functions from a probabilistic model using public transportation data”一文中使用基於概率貝葉斯模型的乘客移動模式推匯出關於日常活動的旅行目的的資訊
- Mohamed Bakillah 於2014年發表的“Geo-located community detection in Twitter with enhanced fast-greedy optimization of modularity: the case study of typhoon Haiyan”一文中將增強的具有語義相似性的模組化聚類演算法與基於密度的變化的應用空間聚類相結合並利用噪聲空間聚類演算法獲得不同時間快照的空間聚類，來提取與識別報告災害相關事件的區域相關的社群。
- Amin Tayyebiy等於2014年發表的 “Modeling multiple land use changes using ANN, CART and MARS: Comparing tradeoffs in goodness of fit and explanatory power of data mining tools”一文中使用ANN，CART和MARS對多個土地利用變化進行建模：比較擬合優度和資料探勘工具解釋力的綜合表現。
- Chen Zhong、Michael Batty於2018年發表的 “Spatiotemporal variation in travel regularity through transit user profiling”一文中使用DBSCAN聚類方法來識別與特定個體相關聯的旅行事件的叢集從而分析使用者的出行規律。
- Jie chen、Tao Pei等於2018年發表的 “Fine-grained prediction of urban population using mobile phone location data”一文中該方法通過使用當前流入模式估計未來流入人口並使用人工神經網路模擬群體的空間相關性來模擬群體的時間依賴性。
- Tao pei、Weiyi Wang等於2015年發表的“Density-based clustering for data containing two types of points”一文中提出了一種基於密度的聚類方法來識別雙組分簇，從而由計程車行程資料識別出三種類型的雙組分叢集：高密度起源和目的地，高密度起源和低密度目的地，以及低密度起源和高密度目的地。
- Ci Song、Tao Pei,等於2018年發表的 “Detecting arbitrarily shaped clusters in origindestination flows using ant colony optimization”一文中提出了一種基於蟻群優化（ACO）的空間掃描統計方法，用於檢測任意形狀的OD流簇。
- Lin Wan、Yuming Hong等於2018年發表的 “A hybrid ensemble learning method for tourist route recommendations based on geo-tagged social networks”一文中結合KNN分類器和貝葉斯分類器提出了一種混合整合學習方法：BAyes-Knn，用於從使用者的位置標記資料探勘其地理偏好來預測旅行者的個性化旅遊路線。
- Yizhao Gao、Ting Li等於2018年發表的 “A multidimensional spatial scan statistics approach to movement pattern comparison”一文中開發了一種多維伯努利空間掃描統計方法，用於檢測具有異常高濃度的一個運動資料集的OD區域對。
- Ran Tao、Jean-Claude Thill於2016年發表的“A Density-Based Spatial Flow Cluster Detection Method”一文中介紹了一種基於密度的聚類檢測方法用於分解的空間流資料，該方法可以有效地從包含不同流量密度，長度，層次的各種情況中提取流量叢集，同時避免流量端點的可修改區域單元問題（MAUP），空間資訊丟失和錯誤的問題。
- Kieu, Le Minh, Bhaskar, Ashish於2014年發表的 “Transit passenger segmentation using travel regularity mined from Smart Card transactions data”一文中本文采用基於密度的噪聲應用空間聚類（DBSCAN）演算法挖掘每個智慧卡使用者的旅行規律。然後使用旅行規律通過先驗市場分割方法對智慧卡使用者進行分段。
- TakahikoKusakabe、YasuoAsakura於2014年發表的 “Behavioural data mining of transit smart card data: A data fusion approach”一文中利用樸素貝葉斯概率模型開發了智慧卡資料和人員旅行調查資料的融合方法。用於使用智慧卡資料估計出行的行為屬性，以觀察出行屬性的持續長期變化。
- Nai Chun Chen 、Wanqin Xie 、 Roy E. Welsch等於2017年發表的 “Comprehensive Predictions of Tourists’ Next Visit Location Based on Call Detail Records Using Machine Learning and Deep Learning Methods”一文中用多種分類演算法，包括決策樹，隨機森林，神經網路，樸素貝葉斯和SVM，對來自呼叫詳細記錄（CDR）資料的個人行為模式進行了全面研究，以預測遊客的未來停留。