[论文解读] Clustering with Temporal Constraints on Spatio-Temporal Data of Human Mobility

Yunlong Wang, Bjoern Sommer+2 more|arXiv (Cornell University)|Jul 2, 2018

Human Mobility and Location-Based Analysis参考文献 24被引用 4

一句话总结

本文提出PC-TC，一种新颖的聚类方法，通过将时间约束整合到时空人类移动数据中，以提取全局和局部兴趣点（POIs）。通过结合时间模式与空间邻近性，PC-TC在准确性和粒度上均优于传统聚类方法，显著提升了下一起点预测性能，在包含193名个体的两个真实世界数据集上表现优异。

ABSTRACT

Extracting significant places or places of interest (POIs) using individuals' spatio-temporal data is of fundamental importance for human mobility analysis. Classical clustering methods have been used in prior work for detecting POIs, but without considering temporal constraints. Usually, the involved parameters for clustering are difficult to determine, e.g., the optimal cluster number in hierarchical clustering. Currently, researchers either choose heuristic values or use spatial distance-based optimization to determine an appropriate parameter set. We argue that existing research does not optimally address temporal information and thus leaves much room for improvement. Considering temporal constraints in human mobility, we introduce an effective clustering approach - namely POI clustering with temporal constraints (PC-TC) - to extract POIs from spatio-temporal data of human mobility. Following human mobility nature in modern society, our approach aims to extract both global POIs (e.g., workplace or university) and local POIs (e.g., library, lab, and canteen). Based on two publicly available datasets including 193 individuals, our evaluation results show that PC-TC has much potential for next place prediction in terms of granularity (i.e., the number of extracted POIs) and predictability.

研究动机与目标

• 为解决经典聚类方法在人类移动性分析中的局限性，即忽略时间约束并依赖启发式或基于距离的参数调优。
• 提升对有意义兴趣点（POIs）的检测能力，包括全局（如工作场所）和局部（如餐厅）位置，从时空移动数据中提取。
• 开发一种聚类框架，利用人类移动中固有的时间模式，以增强POI提取和下一起点预测。
• 通过真实世界移动性数据集，评估该方法在粒度和可预测性方面的有效性。

提出的方法

• PC-TC通过建模随时间变化的访问模式，将时间约束整合到空间聚类中，确保聚类在一起的点不仅在空间上接近，而且在时间上具有一致性。
• 采用时间感知聚类算法，根据空间邻近性和重复性时间模式（如规律的每日或每周访问）对移动点进行分组。
• 通过考虑访问频率和时间一致性，动态确定聚类分配，减少对预设参数（如聚类数量）的依赖。
• 采用滑动窗口方法分析时间序列，识别定义POI的稳定访问模式。
• 通过分析特定时间窗口内访问的持续时间和重复性，区分全局POI与局部POI。
• 采用结合空间距离与时间相关性的混合相似性度量，定义聚类成员资格。

实验结果

研究问题

• RQ1 如何有效将时间约束整合到聚类中，以提升人类移动数据中POI检测的性能？
• RQ2 整合时间模式在多大程度上提升了下一起点预测的粒度和可预测性？
• RQ3 PC-TC能否在识别全局和局部兴趣点方面优于传统聚类方法？
• RQ4 该方法在真实世界数据集中多样的移动模式下表现如何？
• RQ5 时间一致性对聚类稳定性和POI识别有何影响？

主要发现

• 与基线聚类方法相比，PC-TC通过提取更精细且更具意义的POI集合，显著提升了下一起点预测性能。
• 该方法通过利用时间访问模式，成功识别出全局POI（如工作场所、大学）和局部POI（如图书馆、餐厅）。
• 在包含193名个体的两个公开可用数据集上的评估表明，由于POI分辨率更高，PC-TC在下一起点预测中表现出更高的可预测性。
• 通过将时间一致性嵌入聚类过程，该方法减少了对启发式参数选择的依赖。
• 时间约束使聚类更加稳定且语义更清晰，尤其适用于频繁访问但空间上接近的地点。
• PC-TC在多样的移动行为中表现出鲁棒性，包括规律通勤者和非规律旅行者。