Spatial-temporal travel pattern mining using massive taxi trajectory data

درک عمیق از الگوهای سفر ساکنین، بینش مفیدی را در مورد مکانیزم های بسیاری از پدیده های اجتماعی-اقتصادی به دست می دهد. با توسعه سریع فن آوری های محاسبات محل سکونت، محققان دسترسی آسان به مقادیر زیادی از اطلاعات سفر دارند. به عنوان یک منبع اطلاعات مهم، داده های مسیر تاکسی با کیفیت بالا، پیوستگی خوب و توزیع وسیع آن، به کار رفته در این زمینه برای معاینه الگوی سفر مناسب است. در این مقاله، از داده های مسیر تاکسی استفاده شده برای مطالعه ویژگی های مکان و زمان از الگوهای سفر شهروندان شهری از دو جنبه: مناطق جذاب و مسیرهای گرم. اولا، یک چارچوب پیش پردازش مسیریابی، از جمله تمیز کردن داده ها و استخراج نقاط جمع آوری / رها کردن مسافر تاکسی، برای کاهش نویز و افزونگی در دادههای مسیر خام ارائه شده است. سپس، یک الگوریتم خوشه بندی مبتنی بر تراکم شبکه پیشنهاد می شود تا مناطق مختلف جذاب سفر را در دوره های مختلف یک روز کشف کنند. بر این اساس، ما روش خوشه ای مسیری-زمانی را برای کشف مسیرهای گرم در مناطق جذاب سفر ارائه می دهیم. در مقایسه با الگوریتم های قبلی که تنها محدودیت فضایی بین مسیرها را در نظر می گیرند، محدودیت زمانی نیز در روش ما در نظر گرفته شده است. از طریق آزمایشات ما در مورد چگونگی تعیین پارامترهای مطلوب دو الگوریتم خوشه بندی و بررسی اثربخشی الگوریتم ها با استفاده از داده های واقعی بحث می کنیم. علاوه بر این، ما تجزیه و تحلیل ویژگی های فضایی و زمانی الگوی سفر ساکنان چونگکینگ را بررسی می کنیم.