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
Erschienen in:
Genetic Algorithm Based Hybrid Attribute Selection Using Customized Fitness Function Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Clustering of Trajectory Data Using Hierarchical Approaches

verfasst von : B. A. Sabarish, R. Karthi, T. Gireeshkumar

Erschienen in: Computational Vision and Bio Inspired Computing

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Large volume of spatiotemporal data as trajectories are generated from GPS enabled devices such as smartphones, cars, sensors, and social media. In this paper, we present a methodology for clustering of trajectories to identify patterns in vehicle movement. The trajectories are clustered using hierarchical method and similarity between trajectories are computed using Dynamic Time Warping (DTW) measure. We study the effects on clustering by varying the linkage methods used for clustering of trajectories. The clustering method generate clusters that are spatially similar and optimal results are obtained during the clustering process. The results are validated using Cophenetic correlation coefficient, Dunn, and Davies-Bouldin Index by varying the number of clusters. The results are tested for its efficiency using real world data sets. Experimental results demonstrate that hierarchical clustering using DTW measure can cluster trajectories efficiently.

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
Vorheriges Kapitel Comparative Analysis of Biomedical Image Compression Using Oscillation Concept and Existing Methods
Nächstes Kapitel Sentiment Analysis of Twitter Data on Demonetization Using Machine Learning Techniques
Literatur
1.
Mazimpaka, J.D., Timpf, S.: Trajectory data mining: a review of methods and applications. J. Spat. Inf. Sci. 61–99 (2016)
2.
Zheng, Y.: Trajectory data mining: an overview. In: ACM Transactions on Intelligent Systems and Technology (TIST) (2015)
3.
Praveen, V., Sivakumar, P.B.: Design of IoT systems and analytics in the context of smart city initiatives in India. Procedia Comput. Sci. 92, 583–588 (2016)CrossRef
4.
Feng, Z., Zhu, Y.: A survey on trajectory data mining: techniques and applications. IEEE Access 2056–2067 (2016)
5.
Lee, J.G., Han, J., Li, X., Gonzalez, H.: TraClass: trajectory classification using hierarchical region-based and trajectory-based clustering. In: Proceedings of the VLDB Endowment, pp. 1081–1094 (2008)
6.
Gaffney, S., Smyth, P.: Trajectory clustering with mixtures of regression models. In: Proceedings of 50th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 63–72 (1999)
7.
Chih, H.C., Peng, W.C., Lee, W.C.: Clustering and aggregating clues of trajectories for mining trajectory patterns and routes. VLDB J. 24, 169–192 (2015)CrossRef
8.
Gudmundsson, J., Andreas, T., Jan, V.: Of Motifs and Goals: Mining Trajectory Data, ACM SIGSPATIAL GIS ’12, pp. 129–138 (2012)
9.
Kim, J., Mahmassani, H.S.: Spatial and temporal characterization of travel patterns in a traffic network using vehicle trajectories. Transp. Res. C Emerg. Technol. 375–390 (2015)
10.
Vlachos, M., Kollios, G., Gunopulos, D.: Discovering similar multidimensional trajectories. 18th International Conference on Data Engineering, pp. 673–684 (2002)
11.
Wang, H., Su, H., Zheng, K., Sadiq, S., Zhou, X.: An effectiveness study on trajectory similarity measures. In: Proceedings of the Twenty-Fourth Australasian Database Conference, pp. 13–22 (2013)
12.
Besse, P., Guillouet, B., Loubes, J.M., François, R.: Review and perspective for distance based trajectory clustering of vehicle trajectories. IEEE Trans. Intell. Transp. Syst. 17(11), 3306–3317 (2016)
13.
Zhao, Q., Shi, Y., Liu, Q., Fränti, P.: A grid-growing clustering algorithm for geo-spatial data. Pattern Recognit. Lett. 53, 77–84 (2015)CrossRef
14.
Douglas, D., Peucker, T.: Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. Can. Cartographer 10(2), 112–122 (1973)CrossRef
15.
Zheng, Y., Zhou, X.: Computing with spatial trajectories. Springer, New York (2011)
16.
Yuan, G., Sun, P., Zhao, J., Li, D., Wang, C.: A review of moving object trajectory clustering algorithms. Artif. Intell. Rev. 77, 123–144 (2017)CrossRef
17.
Xu, R., Wunsch, D.: Survey of clustering algorithms. IEEE Trans. Neural Netw. 16(3), 645–678 (2005)CrossRef
18.
Han, J., Kamber, M., Pei, J.: Data Mining: Concepts and Techniques. Elsevier, Amsterdam (2012)
19.
Sabarish, B.A., Karthi, R., Gireeshkumar, T.: A survey of location prediction using trajectory mining. Artificial Intelligence and Evolutionary Algorithms in Engineering Systems Springer India, pp. 119–127 (2015)
20.
Halkidi, M., Batistakis, Y., Vazirgiannis, M.: On clustering validation techniques. J. Intell. Inf. Syst. 17(2), 107–145 (2011)
21.
Sinan, S., Nurhan, D., Ismet, D.: Comparison of hierarchical cluster analysis methods by cophenetic correlation. J. Inequalities Appl. 2013(203), 1–8 (2013)MATH
Metadaten
Titel
Clustering of Trajectory Data Using Hierarchical Approaches
verfasst von
B. A. Sabarish
R. Karthi
T. Gireeshkumar
Copyright-Jahr
2018
Buch
Computational Vision and Bio Inspired Computing

Print ISBN: 978-3-319-71766-1

Electronic ISBN: 978-3-319-71767-8

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-71767-8_18

Neuer Inhalt

    Bildnachweise