Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Journal of Intelligent Information Systems
Erschienen in: Journal of Intelligent Information Systems 1/2012

01.02.2012

A density-based spatial clustering for physical constraints

verfasst von: Xin Wang, Camilo Rostoker, Howard J. Hamilton

Erschienen in: Journal of Intelligent Information Systems | Ausgabe 1/2012

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We propose a spatial clustering method, called DBRS+, which aims to cluster spatial data in the presence of both obstacles and facilitators. It can handle datasets with intersected obstacles and facilitators. Without preprocessing, DBRS+ processes constraints during clustering. It can find clusters with arbitrary shapes. DBRS+ has been empirically evaluated using synthetic and real data sets and its performance has been compared to DBRS and three related methods for handling obstacles, namely AUTOCLUST+, DBCLuC*, and DBRS_O.
Vorheriger Artikel Learning Instance Weighted Naive Bayes from labeled and unlabeled data

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
de Berg, M., van Kreveld, M., Overmars, M., & Schwarzkopf, O. (1997). Computational geometry: Algorithms and applications. Springer.
Ester, M., Kriegel, H., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the second international conference on knowledge discovery and data mining (pp. 226–231). Portland, OR.
Estivill-Castro, V., & Lee, I. J. (2000a). AUTOCLUST: Automatic Clustering via boundary extraction for mining massive point-data sets. In Proceedings of the fifth international conference on geocomputation (pp. 23–25). Medway Campus, UK: University of Greenwich.
Estivill-Castro, V., & Lee, I. J. (2000b). AUTOCLUST+: Automatic clustering of point-data sets in the presence of obstacles. In Proceedings of the International Workshop on Temporal, Spatial and Spatio-Temporal Data Mining (pp. 133–146). Lyon, France.
Gao, Y., & Zheng, B. (2009). Continuous obstructed nearest neighbor queries in spatial databases. SIGMOD, 577–590.
Lee, C. H. (2002). Density-based clustering of spatial data in the presence of physical constraints. Master’s Thesis. University of Alberta, Edmonton, Canada.
Malerba, D., Appice, A., Varlaro, A., & Lanza, A. (2005). Spatial clustering of structured objects. ILP, 227–245.
Ng, R., & Han, J. (1994). Efficient and effective clustering method for spatial data mining. In Proceedings of the Twentieth International Conference on Very Large Data Bases (pp. 144–155). Santiago, Chile.
O’Rourke, J. (1998). Computational geometry in C (2nd ed.). New York: Cambridge University Press.MATH
Sander, J., Ester, M., Kriegel, H., & Xu, X. (1998). Density-based clustering in spatial databases: the algorithm GDBSCAN and its applications. Data Mining and Knowledge Discovery, 2(2), 169–194.CrossRef
Tung, A. K. H. , Han, J., Lakshmanan, L. V. S. , & Ng, R. T. (2001a). Constraint-based clustering in large databases. In Proceedings of the Eighth International Conference on Database Theory (pp. 405–419). London, UK.
Tung, A. K. H. , Hou, J., & Han, J. (2001b). Spatial clustering in the presence of obstacles. In Proceedings of the Seventeenth International Conference On Data Engineering (pp. 359–367). Heidelberg, Germany.
Wang, X., & Hamilton, H. J. (2003). DBRS: A density-based spatial clustering method with random sampling. In Proceedings of the Seventh Pacific-Asia Conference on Knowledge Discovery and Data Mining (pp. 563–575). Seoul, Korea.
Wang, X., & Hamilton, H. J. (2005). Clustering spatial data in the presence of obstacles. International Journal on Artificial Intelligence Tools, 14(1–2), 177–198.CrossRef
Zaïane, O. R. , & Lee, C. H. (2002). Clustering spatial data when facing physical constraints. In Proceedings of the IEEE International Conference on Data Mining (pp. 737–740). Maebashi City, Japan.
Zhang, B., Ying, W., Xie, M., & Dong, J. (2007). Geo-spatial clustering with non-spatial attributes and geographic non-overlapping constraint: a penalized spatial distance measure. PAKDD, 1072–1079.
Metadaten
Titel
A density-based spatial clustering for physical constraints
verfasst von
Xin Wang
Camilo Rostoker
Howard J. Hamilton
Publikationsdatum
01.02.2012
Verlag
Springer US
Erschienen in
Journal of Intelligent Information Systems / Ausgabe 1/2012
Print ISSN: 0925-9902
Elektronische ISSN: 1573-7675
DOI
https://doi.org/10.1007/s10844-011-0154-7

Weitere Artikel der Ausgabe 1/2012

Journal of Intelligent Information Systems 1/2012 Zur Ausgabe

OriginalPaper

Learning non-taxonomical semantic relations from domain texts

OriginalPaper

Knowledge-driven delivery of home care services

OriginalPaper

“Andromaly”: a behavioral malware detection framework for android devices

OriginalPaper

The ramification problem in temporal databases: an approach with conflicting constraints

OriginalPaper

Probabilistic skylines on uncertain data: model and bounding-pruning-refining methods

OriginalPaper

A relational database integrity framework for access control policies