《表1 各方法在不同区间的车辆数据上正确推理出工作位置的准确率对比》
从表1中的实验结果来看,本文所提的Work Inf方法在不同稀疏的数据以及总的5~31 d数据上的表现都要优于对比算法。在总的5~31 d数据上,Work Inf方法准确率达到了89.8%,相比Stat Inf算法和Stat Inf+time算法分别提升了17个百分点和6个百分点,这说明本文所提Work Inf方法在推理车主工作区域问题上具有较好的性能。主要的原因是因为本文方法通过提取车辆轨迹中所有的停留点,最大限度地利用了整个车辆轨迹,并且使用聚类算法对提取的停留点进行聚类有效获取到了车辆常去的一些区域,相较于简单的统计方法来说能够更好地利用数据的空间信息。另一方面,城市中绝大多数人们的工作都是早出晚归的,本文提出的in/out访问时间模式方法充分考虑了工作时间的规律特性,考虑了in/out时间模式的Stat Inf+time算法的准确率比Stat Inf算法有明显的提升(在5~31 d数据上提升了11个百分点)也验证了这一点。通过对车辆轨迹数据时间和空间信息的充分利用,使得本文所提的Work Inf方法达到了较好的性能。
图表编号 | XD00201777600 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.10 |
作者 | 陈凯、于彦伟、赵金东、宋鹏 |
绘制单位 | 烟台大学计算机与控制工程学院、中国海洋大学计算机科学与技术系、烟台大学计算机与控制工程学院、烟台大学计算机与控制工程学院 |
更多格式 | 高清、无水印(增值服务) |