Mar, 2020

DETECT: 基于深度轨迹聚类的行动轨迹分析

PDF
TL;DR本文提出了一种基于无监督神经网络的移动行为聚类方法（DETECT），通过考虑移动行为的地理位置、采用嵌入式特征提取，进而实现在行为潜在空间内的聚类分析，得到了令人满意的实验结果。
mobility behaviorsrich trajectory dataunsupervised neural approachdeep embedded trajectory clustering networkgeographical locality
发现论文，激发创造
  • MobilityDL：基于轨迹数据的深度学习综述

    对轨迹数据的深度学习方法进行了综合概述，并通过对移动性数据的数据中心分析，从 2018 年以来的文献进行了全面的定量回顾，探讨了八个特定的移动性应用案例及其训练数据的使用。

    Feb, 2024

  • 轨迹聚类分析调查

    本文综述了轨迹聚类的发展，探讨了其在智能系统中的关键作用，归纳了三种聚类方法，分析了其限制因素与未来方向。

    Feb, 2018

  • 基于室内轨迹数据的半监督活动识别方法

    研究了使用机器学习对移动对象的活动进行分类的问题，并提出了一种半监督的机器学习方法，该方法通过将轨迹分段并自动标记，最后训练基于卷积神经网络的深度学习分类模型来实现高精度分类，此方法已在一个三轮车装配车间的数据集上进行了评估。

    Jan, 2023

  • 利用具有空间感知的深度关注模型进行人类轨迹预测

    提出了一种端到端的基于深度学习的模型，该模型使用来自不同导航模式的数据直接学习人类的运动模式，包括一个软关注机制和一种新颖的方法来预测动态轨迹，同时还考虑了场景中的静态物体存在，通过在行人轨迹数据集上的测试结果显示，可以显著优于现有的最新技术水平，也可以自然地扩展到同时处理多个移动模式。

    May, 2017

  • 通过多维和高阶移动特征聚类挖掘生活方式简档的框架

    通过交叉轨迹特征工程和聚类，该研究利用高阶特征从人类移动轨迹记录中挖掘用户的生活方式特征，并且通过深入提取包括旅行模式、离散傅里叶变换的节奏和 word2vec 词向量化地点语义等特征，在深圳超过 50 万用户的轨迹数据集上，得到了七个具有不同生活方式特征的用户类簇，这些结果通过常识解释得到了很好的验证。

    Dec, 2023

  • 轨迹数据管理和挖掘的深度学习：调查与拓展

    本文综述了轨迹计算中深度学习的发展和最新进展，研究了深度学习在轨迹管理和挖掘方面的应用，并对目前的挑战和未来发展方向进行了概述。

    Mar, 2024

  • 可解释的深度行为序列聚类技术用于交易欺诈检测

    本文提出了一种基于深度学习的行为数据表征方法，用于集群并检测金融服务领域中的欺诈性交易。该方法将点击流数据视为事件序列，并使用基于时间注意力的双向 LSTM 以无监督的方式学习序列嵌入，与风险专家生成的直观特征结合，形成混合特征表征。利用工程优化的 GPU 加速算法，该方法能够在几分钟内对亿万级交易进行聚类并检测欺诈交易。实验结果表明，该方法能够捕捉到漏报的欺诈性交易，并可应用于实时欺诈检测。

    Jan, 2021

  • 利用移动记录推断用户社会经济地位

    本文提出一个基于移动记录的用户社会经济地位推断方法，利用 DeepSEI 模型从空间、时间、活动等三个方面提取特征，实现在房贷等实际应用中推断用户地位，并通过实验验证了其优越性。

    Nov, 2022

  • 基于轨迹的实时社交群体检测

    我们提出了一种用于社交群体检测的简单高效的图形转换模块和图形聚类损失，能够在人群拥挤动态的情况下实现较高的表现。与先前基于视觉内容的方法相比，在保持准确性的同时，实现了高速的推理时间。该方法适用于实时的机器人应用。

    Apr, 2023

  • DeepTravel：一种基于神经网络的旅行时间估计模型，配有辅助监督

    本文提出一种基于深度神经网络的辅助监督模型 DeepTravel，能够自动提取不同特征并充分利用轨迹数据的时间戳，通过在真实数据集上的全面实验，证明了 DeepTravel 相对于现有方法的卓越性能。

    Feb, 2018