相关实验视频
Updated: May 22, 2025

16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.5K
探索人类流动性:一种基于时间的方法来挖掘模式和序列相似性
Hao Yang1, X Angela Yao1, Christopher C Whalen2
1Department of Geography, University of Georgia, Athens, U.S.
概括
这项研究引入了从空间大数据分析人类移动模式的新方法. 开发的框架有效地识别出不同的日常移动行为,如"呆在家里"和"以工作为导向"的模式.
科学领域:
- 空间数据科学空间数据科学
- 人类流动性的研究研究.
- 计算社会科学 计算社会科学
背景情况:
- 越来越多的空间大数据量激发了人们对人类移动模式的兴趣.
- 从大数据中发现和比较这些模式带来了重大的分析挑战.
研究的目的:
- 引入用于发现和评估人类流动性模式的新方法.
- 提出一个分析框架,以分析个人和总体层面的流动性.
- 用现实世界的案例研究来证明框架的应用和有效性.
主要方法:
- 开发了时间信息化模式挖掘 (TiPam) 用于频繁的模式发现.
- 引入了一个时间感知最长常见次序 (T-LCS) 算法用于序列相似性评估.
- 将这些整合到人类流动性分析的综合分析框架中.
主要成果:
- 将框架应用于乌干达坎帕拉的135名用户的每日移动电话数据.
- 确定了四个不同的流动群体:"留在家里"",无业"",以教育为导向"和"以工作为导向".
- 证明了框架的效率和新算法的实用性.
结论:
- 拟议的框架和算法有效地分析人类流动模式.
- 该方法具有多功能性,适用于各种数据集和研究领域.
- 提供了一种强大的方法来理解个人和团体的移动行为.

