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:
Low-Rank and Sparse Matrix Completion for Recommendation Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Mining Mobile Phone Base Station Data Based on Clustering Algorithms with Application to Public Traffic Route Design

verfasst von : When Shen, Zhihua Wei, Zhiyuan Zhou

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

It attracts a lot of attention that how to use mobile phone base station data to predict user behavior and design the public traffic route. In this paper, we extend the classic algorithms to design the shuttle bus route. The contribution of this paper is mainly manifested on (1) we integrate the classical machine learning methods DBSCAN and GMM to complete mobile phone base station data modeling, so that to learn the residents’ spatial travel pattern and temporal habits; (2) we apply the Public Route Scale Estimation Model to design the shuttle bus routes and departure intervals based on the modeling results of (1). Experimental results show that our model based on DBSCAN and GMM can effectively mine the significance of historical data of mobile phone base station and can successfully be applied to real-world problems like public traffic route design.

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 Accelerated Matrix Factorisation Method for Fuzzy Clustering
Nächstes Kapitel Extracting Deep Semantic Information for Intelligent Recommendation
Literatur
1.
Calabrese, F., Ferrari, L., Blondel, V.D.: Urban sensing using mobile phone network data: a survey of research. ACM Comput. Surv. 47(2), 1–20 (2014)CrossRef
2.
Li, P., Gao, Y.W., Wu, J.W., Li, X., Wu, B.B.: Residents traveling track and analysis methods based on mobile phone data. Adv. Mater. Res. 926, 2730–2734 (2014)CrossRef
3.
Wu, M., Dong, H., Ding, X., Shan, Q., Chu, L., Jia, L.: Traffic semantic analysis based on mobile phone base station data. In: International Conference on Intelligent Transportation Systems, pp. 617–622. IEEE (2014)
4.
Dong, H., Wu, M., Ding, X., Chu, L., Jia, L., Qin, Y., Zhou, X.: Traffic zone division based on big data from mobile phone base stations. Transp. Res. Part C: Emerg. Technol. 58, 278–291 (2015)CrossRef
5.
Ma, X., Wu, Y.J., Wang, Y., Chen, F., Liu, J.: Mining smart card data for transit riders travel patterns. Transp. Res. Part C Emerg. Technol. 36, 1–12 (2013)CrossRef
6.
Le, M.K., Bhaskar, A., Chung, E.: Passenger segmentation using smart card data. IEEE Trans. Intell. Transp. Syst. 16(3), 1537–1548 (2015)CrossRef
7.
Le, M.K., Bhaskar, A., Chung, E.: A modified density-based scanning algorithm with noise for spatial travel pattern analysis from Smart Card AFC data. Transp. Res. Part C: Emerg. Technol. 6 (2015, in press). Corrected Proof, April 2015
8.
Fraley, C., Raftery, A.E.: Model-based clustering, discriminant analysis, and density estimation. J. Am. Stat. Assoc. 97(458), 611–631 (2002)MathSciNetCrossRefMATH
9.
Cui, Z., Long, Y., Ke, R., Wang, Y.: Characterizing evolution of extreme public transit behavior using smart card data. In: 2015 IEEE 1st International Smart Cities Conference (ISC2), pp. 1–6 (2015)
10.
Briand, A.S., Côme, E., Mohamed, K., Oukhellou, L.: A mixture model clustering approach for temporal passenger pattern characterization in public transport. Int. J. Data Sci. Anal. 1(1), 37–50 (2016)CrossRef
11.
Lee, M., Sohn, K.: Inferring the route-use patterns of metro passengers based only on travel-time data within a Bayesian framework using a reversible-jump Markov chain Monte Carlo (MCMC) simulation. Transp. Res. Part B: Methodol. 81, 1–17 (2015)CrossRef
12.
Qiao, S.J., Jin, K., Han, N., Tang, C.J., Gesangduoji, G.L.A.: Trajectory prediction algorithm based on Gaussian mixture model. J. Softw. 26(5), 1048–1063 (2015). Jian, R., BaoX. (eds.)MathSciNet
13.
Wu, J., Zheng, Y., Chen, X.: Approaches to planning of subway station transfer facility in urban areas. J. Tongji Univ. (Nat. Sci.) 36(11), 1501–1506 (2008)
14.
Ester, M., Kriegel, H.P., Sander, J., Xu, X.: A density-based algorithm for discovering clusters a density-based algorithm for discovering clusters in large spatial databases with noise. In: International Conference on Knowledge Discovery and Data Mining, pp. 226–231. AAAI Press (1996)
15.
Campello, R.J.G.B., Moulavi, D., Sander, J.: Density-based clustering based on hierarchical density estimates. In: Pei, J., Tseng, V.S., Cao, L., Motoda, H., Xu, G. (eds.) PAKDD 2013. LNCS (LNAI), vol. 7819, pp. 160–172. Springer, Heidelberg (2013). doi:10.​1007/​978-3-642-37456-2_​14 CrossRef
16.
Sander, J., Ester, M., Kriegel, H.P., Xu, X.: Density-based clustering in spatial databases: the algorithm gdbscan and its applications. Data Min. Knowl. Disc. 2(2), 169–194 (1998)CrossRef
17.
Yu, G., Sapiro, G., Mallat, S.: Solving inverse problems with piecewise linear estimators: from Gaussian mixture models to structured sparsity. IEEE Trans. Image Process. 21(5), 2481–2499 (2012)MathSciNetCrossRefMATH
18.
Dempster, A.P., Laird, N.M., Rubin, D.B.: Maximum likelihood from incomplete data via the EM algorithm. J. Roy. Stat. Soc. Ser. B (Methodol.) 1–38 (1977)
19.
Kehtarnavaz, N., Nakamura, E.: Generalization of the EM algorithm for mixture density estimation. Pattern Recogn. Lett. 19(2), 133–140 (1998)CrossRefMATH
Metadaten
Titel
Mining Mobile Phone Base Station Data Based on Clustering Algorithms with Application to Public Traffic Route Design
verfasst von
When Shen
Zhihua Wei
Zhiyuan Zhou
Copyright-Jahr
2017
Buch
Neural Information Processing

Print ISBN: 978-3-319-70138-7

Electronic ISBN: 978-3-319-70139-4

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-70139-4_13