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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Multi-view Contrastive Clustering with Clustering Guidance and Adaptive Auto-encoders Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Mining Regional High Utility Co-location Pattern

verfasst von : Meiyu Xiong, Hongmei Chen, Lizhen Wang, Qing Xiao

Erschienen in: Spatial Data and Intelligence

Verlag: Springer Nature Singapore

Einloggen

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

search-config
loading …

Abstract

A co-location pattern is a set of spatial features whose instances are frequently located together in geo-space. In real world, different instances have different distributions and different values. However, existing methods for mining pattern ignore these differences. In this paper, we propose a novel method for mining regional high utility co-location pattern by considering both instance distribution and value. First, local regions are obtained based on fuzzy density peak clustering. Then, the regional high utility co-location pattern is defined, and an efficient algorithm for mining the patterns in local regions is presented by pruning unpromising patterns. The experiment results show the patterns are meaningful and the mining algorithm is efficient.

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 Applying Segment Anything Model to Ground-Based Video Surveillance for Identifying Aquatic Plant
Nächstes Kapitel Local Co-location Pattern Mining Based on Regional Embedding
Literatur
1.
Wang, L., Bao, X., Zhou, L., et al.: Maximal sub-prevalent co-location patterns and efficient mining algorithms. In: Bouguettaya, A., et al. (eds.) Web Information Systems Engineering – WISE 2017. WISE 2017. LNCS, vol. 10569, pp. 199–214. Springer, Cham (2017). https://​doi.​org/​10.​1007/​978-3-319-68783-4_​14
2.
Wang, L., Bao, X., Zhou, L., et al.: Mining maximal co-location patterns. World Wide Web 22(5), 1971–1997 (2019)
3.
Yang, S., Wang, L., Bao, X., Lu, J.: A framework for mining spatial high utility co-location patterns. In: FSKD 2015, Proceedings of the 12th International Conference on Fuzzy Systems and Knowledge Discovery, pp. 595–601. IEEE, Zhangjiajie, China (2015)
4.
Jiang, X., Wang, L., Tran, V.: A parallel algorithm for regional co-location mining based on fuzzy density peak clustering. Sin Sci. Inform. 53(7), 1281–1298 (2023)
5.
Huang, Y., Shekhar, S., Xiong, H.: Discovering colocation patterns from spatial data sets: a general approach. IEEE Trans. Knowl. Data Eng. 16(12), 1472–1485 (2004)CrossRef
6.
Wang, L., Jiang, W., Chen, H., Fang, Y.: Efficiently mining high utility co-location patterns from spatial data sets with instance-specific utilities. In: Candan, S., Chen, L., Pedersen, T., Chang, L., Hua, W. (eds.) Database Systems for Advanced Applications. DASFAA 2017. LNCS, vol. 10178, pp. 458–474. Springer, Cham (2017). https://​doi.​org/​10.​1007/​978-3-319-55699-4_​28
7.
Xiao-Xuan, W., Li-Zhen, W., Hong-Mei, C., et al.: Mining spatial high utility co-location patterns based on feature utility ratio. Chin. J. Comput. 42(8), 1721–1738 (2019)
8.
Luo, J., Wang, L.-Z., Wang, X.-X., Xiao, Q.: Mining spatial high utility core patterns under k-nearest neighbors. Chin. J. Comput. 45(2), 354–368 (2022)
9.
Qian, F., Chiew, K., He, Q.M., et al.: Mining regional co-location patterns with kNNG. J. Intell. Inf. Syst. 42, 485–505 (2014)CrossRef
10.
Yu, W.H.: Identifying and analyzing the prevalent regions of a co-Location pattern using polygons clustering approach. ISPRS Int. J. Geo-Inf. 6(9), 259 (2017)
Metadaten
Titel
Mining Regional High Utility Co-location Pattern
verfasst von
Meiyu Xiong
Hongmei Chen
Lizhen Wang
Qing Xiao
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Spatial Data and Intelligence

Print ISBN: 978-981-9729-65-4

Electronic ISBN: 978-981-9729-66-1

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2966-1_8

Premium Partner

    Bildnachweise