.png){kind=icon}
返回
Learn to Cluster Human Mobility Pattern for Post-Disaster Analysis
.png){kind=icon}
PRE
AI
DOI：10.1109/TBDATA.2026.3653656.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
灾害对人类移动模式产生重大影响。通过从多样化的个体轨迹中概括群体级特征来聚类移动模式，对制定灾后恢复策略起着关键作用。然而，仅依赖预定义的聚类标准或监督标签不足以充分捕捉灾害事件期间移动模式的动态变化。此外，现有方法不足以捕捉灾害事件中移动模式的敏感变化并处理高维数据。本研究探讨了一种基于嵌入式深度学习的方法，能够自动提取群体的短期移动模式特征，并在灾害期间实现短期移动模式聚类。所提出的方法采用基于Transformer的时序编码器来捕捉日内序列模式，并整合了一个带有嵌入式潜在变量的VAE组件，直接编码群体级移动模式。我们还设计了一种紧凑-分离损失函数，明确鼓励模式内特征紧凑性和模式间特征分离性。基于大规模移动数据，我们对2011年福岛地震案例进行了移动模式聚类。与常规聚类方法相比，所提出的模型结构更具判别力，能更敏感地捕捉灾前与灾后的变化。与使用不同损失函数的基线方法相比，所提出的方法能实现更精确的拟合结果并获得更离散的聚类模式。此外，进行了敏感性分析以检验模型关键超参数的影响。基于聚类结果，识别出五种代表性移动模式。我们进一步分析了灾害事件及恢复期间移动模式变化的时空特征。
Keyword:
Embedded deep learning
deep clustering
mobility pattern clustering
big mobility data
disaster analysis
期刊
I
IF:
5.7
论文数:
887
被引数:
3.0K
机构
查看更多机构
引用论文
暂无论文信息