Dec, 2023

优化公交出行：基于 P-KMEANS 和 P-LDA 算法的新方法的特征挖掘

PDF
TL;DR公交出行特征提取方法利用 POI 数据，采用增强的 P-KMENAS 和 P-LDA 算法来克服传统算法的局限性，有效地挖掘了与年龄、职业、性别、运动、费用、安全和个性特征等多个方面相关的公交出行行为，从而提升了公交出行的优化效果。
bus travelfeature extractionpoi datap-kmenasp-lda
发现论文，激发创造
  • 基于机器学习算法的低碳节能旅游数据特征分析与挖掘

    通过机器学习算法对低碳出行数据进行特征分析和挖掘，本研究旨在研究居民低碳意识形成机制，为交通管理者引导城市居民选择低碳出行方式提供重要依据。实验结果表明，居民低碳出行意愿可分为三类：强烈、中立和不强烈；而职业、居住地、家庭结构和通勤时间是最重要的因素之一。该方法从多个方面为城市交通低碳的发展和管理提供政策建议。

    Dec, 2023

  • LLM 信息支持下的语义轨迹数据挖掘与 POI 分类

    本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

    May, 2024

  • 推荐轨迹的学习点和路径

    本文旨在探讨如何通过机器学习算法采用不同信息源，结合旅行者过往的行为习惯，综合考虑景点和路线，提高游览景点的推荐体验。实验表明本方法优于近期其他解决方案。

    Aug, 2016

  • 深度 NLP 模型中潜在概念的拓展发现

    该研究比较了三种聚类算法：凝聚层次聚类、领导算法和 K-Means 聚类，发现 K-Means 具有潜力在单词和短语层面上对编码概念进行大规模发现。

    Aug, 2023

  • 探索学生签到行为以改进兴趣点预测

    本文通过对普渡大学的 WiFi 访问日志进行分析，提出了基于异构图的方法来编码用户、兴趣点和活动之间的关联，进而联合学习顶点的嵌入表示，证明了基于娱乐数据的建模假设在更丰富的签到数据上效果显著降低。

    Sep, 2018

  • 探索手机用户的流动性

    本文基于一份葡萄牙通讯数据集的 100,000 名匿名用户数据，探索了移动设备数据集中用户的社交网络、时间动态和移动通讯行为之间的联系，并通过聚类和主成分分析发现地理位置是影响人类行为的最重要因素之一。研究结果表明，通过聚类方法可以鲁棒地识别用户的家庭和办公室，并且其通勤距离可以通过引力模型进行合理地解释。

    Nov, 2012

  • 银行领域的主题建模方法比较

    该研究使用了 KernelPCA 和 K-means Clustering 结合 BERTopic 架构，比较了主题建模方法，并在尼日利亚银行客户的推文数据集上展示了一致性得分为 0.8463 的连贯主题。

    Feb, 2024

  • 个性化上下文感知的多模态交通推荐

    本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

    Oct, 2019

  • 交通网络的无监督学习拓扑分类

    对城市交通系统的建模、优化、仿真和数据分析的研究逐渐增多。本研究采用无监督学习方法，尤其是聚类方法，通过综合评估交通网络的拓扑特征，利用主成分分析和等度映射减少特征之间的相关性，实现交通网络的分类。结果表明，PCA 方法和 K-means 聚类方法最为有效，使交通网络能够被划分为五个簇，并提供了相关分类讨论。

    Nov, 2023

  • 应用机器学习预测波兰华沙市公交运输行为

    本研究使用波兰华沙的公交车定位数据，探讨了建立公交车行为模型及预测公交车延误的问题，并给出了初步的研究结果。

    Apr, 2022