کلید واژه ها:
همخوشهبندی ؛ روندهای منسجم ؛ هلند ؛ سری دما ؛ داده کاوی
۱٫ مقدمه
۲٫ داده ها و روش ها
۲٫۱٫ داده ها
۲٫۲٫ الگوریتم همخوشهبندی برگمن با حداقل مجذور باقیمانده (BCC_MSSR)
فرض کنید که I و J به ترتیب مجموعه شاخصهای مکانها را در یک خوشه مکان و مجموعه شاخصهای مُهرهای زمانی را در یک خوشه زمانی نشان میدهند. باقیمانده یک عنصر خاص، ، در یک هم خوشه به صورت محاسبه می شود
جایی که میانگین عناصر ایستگاه i را نشان می دهد که شاخص های ماه آنها در J قرار می گیرد. میانگین عناصر در ماه j را نشان می دهد که شاخص های ایستگاه آنها در I قرار می گیرد و میانگین تمام عناصر در آن خوشه مشترک را نشان می دهد. ماتریس باقی مانده H را می توان به صورت نمایش داد ، که در آن R و C ردیف ها (ایستگاه ها) و ستون ها (ماه) ماتریس های شاخص خوشه ای با اندازه z × k و n × l هستند، و ماتریس انتقال یافته از R است.
سپس، تابع هدف BCC_MSSR به عنوان باقیمانده مجموع دو عناصر قبل و بعد از همخوشهبندی نشان داده میشود:
جایی که نشان دهنده هنجار یک ماتریس است، به عنوان مثال، . سپس، مشکل همخوشهسازی به موضوع کمینهسازی تبدیل میشود. برای به حداقل رساندن تابع هدف برای به دست آوردن نتایج همخوشهبندی بهینه، BCC_MSSR با یک فرآیند تکراری طراحی شد. روش بهینهسازی این الگوریتم همخوشهبندی در مراحل زیر توضیح داده شده است ( شکل ۴ ):
مرحله ۲: محاسبه باقیمانده و تابع هدف. باقیمانده هر عنصر و همچنین باقیمانده مجموع دو عناصر قبل و بعد از نقشه برداری محاسبه شد که می تواند بیشتر به صورت نمایش داده شود.
مرحله ۳: نقشه برداری را از ایستگاه ها به ایستگاه ها به روز کنید. معادله (۳) ابتدا به باقی مانده مجموع مربع مربوط به ردیف ها (ایستگاه ها) تجزیه شد [ ۳۰ ]:
جایی که ، و ردیف i (ایستگاه) را مشخص کنید . سپس، عضویت جدید ایستگاه-خوشه ها را می توان با کمینه کردن معادله (۴) به روز کرد:
مرحله ۴: نقشه برداری را از ماه به خوشه ماه به روز کنید. معادله (۳) را می توان به باقی مانده مجموع مربع مربوط به ستون ها (ماه) نیز تجزیه کرد:
۳٫ نتایج و بحث
۳٫۱٫ همخوشههای مکانی-زمانی با روندهای منسجم
۳٫۲٫ الگوهای منطقه ای منسجم فضایی-زمانی در سری دمای ماهانه هلندی
۳٫۳٫ مقایسه خوشههای مشترک با روندهای منسجم و آنهایی که دارای ارزشهای مشابه هستند
۴٫ نتیجه گیری
منابع
- ریبیرو دی آلمیدا، دی. د سوزا باپتیستا، سی. Gomes de Andrade، F. Soares, A. نظرسنجی در مورد کلان داده برای تجزیه و تحلیل مسیر. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۸۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- لی، ز. یانگ، سی. لیو، ک. هو، اف. جین، بی. مقیاسگذاری خودکار Hadoop در ابر برای فرآیند کارآمد دادههای مکانی بزرگ. ISPRS Int. J. Geo-Inf. ۲۰۱۶ ، ۵ ، ۱۷۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- لی، ز. تانگ، دبلیو. هوانگ، Q. شوک، ای. Guan، Q. مقدمه ای بر محاسبات کلان داده برای کاربردهای جغرافیایی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۴۸۷٫ [ Google Scholar ] [ CrossRef ]
- شکر، س. جیانگ، ز. علی، RY; افتلی اوغلو، ای. تانگ، ایکس. گونتوری، VMV؛ ژو، X. داده کاوی فضایی-زمانی: یک دیدگاه محاسباتی. ISPRS Int. J. Geo-Inf. ۲۰۱۵ ، ۴ ، ۲۳۰۶-۲۳۳۸٫ [ Google Scholar ] [ CrossRef ]
- هان، جی. کمبر، م. Pei, J. Data Mining Concepts and Techniques , ۳rd ed.; مورگان کافمن MIT Press: کمبریج، MA، ایالات متحده آمریکا، ۲۰۱۲٫ [ Google Scholar ]
- تاتیانا، وی.ال. فلیکس، بی. فیلیپ، آر. ناتالیا، ا. گنادی، ا. آندریاس، K. Mobility Graphs: تجزیه و تحلیل بصری دینامیک تحرک توده از طریق نمودارهای فضایی-زمانی و خوشه بندی. IEEE Trans. Vis. نمودار کامپیوتری ۲۰۱۶ ، ۲۲ ، ۱۱-۲۰٫ [ Google Scholar ]
- بره، DS; داونز، جی. Reader، S. خوشه بندی سلسله مراتبی فضا-زمان برای شناسایی خوشه ها در داده های نقطه ای مکانی-زمانی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۸۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- وو، ایکس. چنگ، سی. زوریتا میلا، ر. Song, C. مروری بر روشهای خوشهبندی برای سریهای زمانی جغرافیایی ارجاعشده: از خوشهبندی یکطرفه تا خوشهبندی مشترک و سهگانه. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۰ ، ۳۴ ، ۱۸۲۲-۱۸۴۸٫ [ Google Scholar ] [ CrossRef ]
- آندرینکو، جی. برم، اس. شرک، تی. فون لندزبرگر، تی. باک، پ. کیم، دی. Andrienko، N. فضا-در-زمان و نقشه های خودسازماندهی زمان-در-فضا برای کاوش الگوهای فضایی-زمانی. محاسبه کنید. نمودار انجمن ۲۰۱۰ ، ۲۹ ، ۹۱۳-۹۲۲٫ [ Google Scholar ] [ CrossRef ]
- هاگناور، جی. Helbich، M. نقشه های خودسازماندهی سلسله مراتبی برای خوشه بندی داده های مکانی و زمانی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۳ ، ۲۷ ، ۲۰۲۶–۲۰۴۲٫ [ Google Scholar ] [ CrossRef ]
- لیو، ال. هو، تی. بائو، اس. وو، اچ. پنگ، ز. وانگ، آر. اثر متقابل مکانی-زمانی انتقال COVID-19 در ایالات متحده. ISPRS Int. J. Geo-Infation ۲۰۲۱ ، ۱۰ ، ۳۸۷٫ [ Google Scholar ] [ CrossRef ]
- آحاس، ر. آسا، ا. سیلم، اس. Roosaare، J. شاخص های فصلی و فصل های مناظر استونی. Landsc. Res. ۲۰۰۵ ، ۳۰ ، ۱۷۳-۱۹۱٫ [ Google Scholar ] [ CrossRef ]
- وو، ایکس. زوریتا میلا، ر. کراک، ام.-جی. کشف بصری همگام سازی در داده های آب و هوا در وضوح های زمانی متعدد کارتوگرافی. J. ۲۰۱۳ ، ۵۰ ، ۲۴۷-۲۵۶٫ [ Google Scholar ] [ CrossRef ]
- وو، ایکس. زوریتا میلا، ر. کراک، ام.-جی. همخوشهبندی سریهای زمانی جغرافیایی ارجاعشده: کاوش الگوهای مکانی-زمانی در دادههای دمای هلند بین المللی جی. جئوگر. Inf. علمی ۲۰۱۵ ، ۲۹ ، ۶۲۴-۶۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- وو، ایکس. زوریتا میلا، ر. کراک، ام.-جی. تحلیلی جدید از الگوهای فنولوژیکی بهار در اروپا بر اساس همخوشهبندی جی. ژئوفیس. Res. Biogeosci. ۲۰۱۶ ، ۱۲۱ ، ۱۴۳۴-۱۴۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- وو، ایکس. چنگ، سی. کیائو، سی. آهنگ، C. تمایز فضایی-زمانی فنولوژی بهار در چین بر اساس دما و دوره نوری از سال ۱۹۷۹ تا ۲۰۱۸٫ Sci. علوم زمین چین ۲۰۲۰ ، ۶۳ ، ۱۴۸۵-۱۴۹۸٫ [ Google Scholar ] [ CrossRef ]
- الله، س. داود، ح. داس، SC; خان، HN; خلیل، ع. تشخیص خوشههای بیماری فضا-زمان با اشکال و اندازههای دلخواه با استفاده از رویکرد همخوشهبندی. ژئوسپات. شفا دادن. ۲۰۱۷ ، ۱۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- آندرئو، وی. Izquierdo-Verdiguier، E. زوریتا میلا، ر. رزا، آر. ریزولی، آ. پاپا، الف. شناسایی شرایط فضایی-زمانی مطلوب برای شیوع ویروس نیل غربی با همخوشهبندی سریهای زمانی شاخصهای Modis LST. در مجموعه مقالات IGARSS 2018-2018 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، والنسیا، اسپانیا، ۲۲ تا ۲۷ ژوئیه ۲۰۱۸؛ صص ۴۶۷۰–۴۶۷۳٫ [ Google Scholar ]
- لیو، کیو. ژنگ، ایکس. استنلی، HE; شیائو، اف. لیو، دبلیو. چارچوب همخوشهبندی فضایی-زمانی برای کشف الگوهای تحرک: مطالعه دادههای تاکسی منهتن. دسترسی IEEE ۲۰۲۱ ، ۹ ، ۳۴۳۳۸–۳۴۳۵۱٫ [ Google Scholar ] [ CrossRef ]
- آیزن، مگابایت؛ اسپلمن، پی تی. براون، PO; Botstein، D. تجزیه و تحلیل خوشه ای و نمایش الگوهای بیان ژنومی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۱۹۹۸ ، ۹۵ ، ۱۴۸۶۳-۱۴۸۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کریگل، اچ.-پی. کروگر، پی. Zimek، A. خوشهبندی دادههای با ابعاد بالا: نظرسنجی در مورد خوشهبندی زیرفضا، خوشهبندی مبتنی بر الگو، و خوشهبندی همبستگی. ACM Trans. بدانید. کشف کنید. داده ۲۰۰۹ ، ۳ ، ۱٫ [ Google Scholar ] [ CrossRef ]
- لیانگ، ال. لی، ال. لیو، Q. تغییرپذیری بارش در شمال شرقی چین از سال ۱۹۶۱ تا ۲۰۰۸٫ J. Hydrol. ۲۰۱۱ ، ۴۰۴ ، ۶۷-۷۶٫ [ Google Scholar ] [ CrossRef ]
- الکساندر، LV; یوتیلا، پ. Nicholls، N. تأثیر تغییرپذیری دمای سطح دریا بر دمای جهانی و شدت بارش. جی. ژئوفیس. Res. اتمس. ۲۰۰۹ ، ۱۱۴ ، ۱-۱۳٫ [ Google Scholar ]
- Estay، SA; کلاویخو باکت، اس. لیما، م. Bozinovic، F. فراتر از میانگین: آزمون تجربی تغییرپذیری دما بر روی پویایی جمعیت Tribolium confusum. مردمی Ecol. ۲۰۱۰ ، ۵۳ ، ۵۳-۵۸٫ [ Google Scholar ] [ CrossRef ]
- زانوبتی، ا. اونیل، ام اس؛ Gronlund، CJ; شوارتز، JD تغییر دمای تابستان و بقای طولانی مدت در میان افراد مسن مبتلا به بیماری مزمن. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۲ ، ۱۰۹ ، ۶۶۰۸-۶۶۱۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- اندرسن، MA; مالسون، N. فصلی بودن جرم و تغییرات آن در فضا. Appl. Geogr. ۲۰۱۳ ، ۴۳ ، ۲۵-۳۵٫ [ Google Scholar ] [ CrossRef ]
- بانرجی، ا. دیلون، آی. گوش، ج. مروگو، اس. Modha، DS یک رویکرد ماکزیمم آنتروپی تعمیم یافته برای همخوشهبندی برگمن و تقریب ماتریس. جی. ماخ. فرا گرفتن. Res. ۲۰۰۷ ، ۸ ، ۱۹۱۹-۱۹۸۶٫ [ Google Scholar ]
- چنگ، ی. کلیسا، GM Biclustering داده های بیان. در Proceedings of the Proceedings ISMB 2000, San Diego, CA, USA, 19-23 August 2000; صص ۹۳-۱۰۳٫ [ Google Scholar ]
- چو، اچ. Dhillon، IS; گوان، ی. Sra, S. حداقل مجموع-مربع باقیمانده همخوشهبندی دادههای بیان ژن. در مجموعه مقالات کنفرانس بین المللی SIAM در سال ۲۰۰۴ در مورد داده کاوی. انجمن ریاضیات صنعتی و کاربردی (SIAM)، فیلادلفیا، PA، ایالات متحده آمریکا، ۲۲-۲۴ آوریل ۲۰۰۴٫ [ Google Scholar ]
- چو، اچ. Dhillon، I. Cclustering ریزآرایه های سرطان انسانی با استفاده از جمع آوری حداقل مجذور باقی مانده. IEEE/ACM Trans. محاسبه کنید. Biol. بیوانفورم. ۲۰۰۸ ، ۵ ، ۳۸۵-۴۰۰٫ [ Google Scholar ] [ CrossRef ]
- یانگ، جی. وانگ، اچ. وانگ، دبلیو. Yu, P. دو خوشهبندی پیشرفته در دادههای بیان. در مجموعه مقالات سومین سمپوزیوم IEEE در بیوانفورماتیک و مهندسی زیستی، Bethesda، MD، ایالات متحده، ۱۲ مارس ۲۰۰۳٫ صص ۳۲۱-۳۲۷٫ [ Google Scholar ]
- کلوگر، ی. بصری، ر. چانگ، جی تی. Gerstein، M. دو خوشهبندی طیفی دادههای ریزآرایه: ژنها و شرایط همآرامش. ژنوم Res. ۲۰۰۳ ، ۱۳ ، ۷۰۳-۷۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- راتیپریا، ر. تانگاول، ک. باگیمانی، جی. بهینهسازی ازدحام ذرات باینری مبتنی بر دو خوشهبندی دادههای استفاده از وب. بین المللی جی. کامپیوتر. Appl. ۲۰۱۱ ، ۲۵ ، ۴۳-۴۹٫ [ Google Scholar ] [ CrossRef ]
- Rousseeuw, PJ Silhouettes: کمکی گرافیکی برای تفسیر و اعتبارسنجی تحلیل خوشهای. جی. کامپیوتر. Appl. ریاضی. ۱۹۸۷ ، ۲۰ ، ۵۳-۶۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لوئیس، جی.ام. آکرمن، ام. Sa، VRD ارزیابی خوشه انسانی و معیارهای کیفیت رسمی: یک مطالعه تطبیقی. در مجموعه مقالات سی و چهارمین کنفرانس انجمن علوم شناختی (CogSci)، ساپورو، ژاپن، ۱-۴ اوت ۲۰۱۲٫ جلد ۳۴، ص ۱۸۷۰–۱۸۷۵٫ [ Google Scholar ]
- وو، ایکس. زوریتا میلا، ر. Verdiguier، EI; کراک، ام.-جی. سه خوشهبندی سریهای زمانی جغرافیایی مرجع برای تحلیل الگوهای تغییرپذیری درون سالانه دما. ان صبح. دانشیار Geogr. ۲۰۱۷ ، ۱۰۸ ، ۷۱-۸۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ویسر، اچ. اهمیت تغییر آب و هوا در هلند. تجزیه و تحلیل روندهای تاریخی و آینده (۱۹۰۱-۲۰۲۰) در شرایط آب و هوایی، شرایط شدید آب و هوا و تأثیرات مرتبط با دما. MNP Rep. ۲۰۰۵ , ۵۵۰۰۰۲۰۰۷٫ موجود به صورت آنلاین: https://www.pbl.nl/en/publications/The_significance_of_climate_change_in_the_Netherlands (در ۵ ژانویه ۲۰۲۲ قابل دسترسی است).
- گارسن، جی. هارمسن، سی. De Beer, J. اثر موج گرمای تابستان ۲۰۰۳ بر مرگ و میر در هلند. Eurosurveillance ۲۰۰۵ ، ۱۰ ، ۱۳-۱۴٫ [ Google Scholar ] [ CrossRef ]
- فیشر، PH; مارا، م. Ameling، CB; یانسن، ن. Cassee، FR روند در برآوردهای خطر نسبی برای ارتباط بین آلودگی هوا و مرگ و میر در هلند، ۱۹۹۲-۲۰۰۶٫ محیط زیست Res. ۲۰۱۱ ، ۱۱۱ ، ۹۴-۱۰۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- دانیلز، EE; لندرینک، جی. Hutjes، RWA؛ Holtslag، AAM الگوهای بارش فضایی و روند در هلند در طول ۱۹۵۱-۲۰۰۹٫ بین المللی جی. کلیم. ۲۰۱۴ ، ۳۴ ، ۱۷۷۳-۱۷۸۴٫ [ Google Scholar ] [ CrossRef ]
- Van Vliet، AJH; Overeem، A.; دی گروت، آر.اس. جیکوبز، AFG; Spieksma، FTM تأثیر دما و تغییرات آب و هوا بر زمان انتشار گرده در هلند. بین المللی جی. کلیم. ۲۰۰۲ ، ۲۲ ، ۱۷۵۷-۱۷۶۷٫ [ Google Scholar ] [ CrossRef ]
- Schaap، BF; بلوم-زندسترا، م. هرمانز، CML؛ میربورگ، بی. Verhagen, J. تاثیر تغییرات آب و هوایی شدید بر کشاورزی زراعی در شمال هلند. Reg. محیط زیست چانگ. ۲۰۱۱ ، ۱۱ ، ۷۳۱-۷۴۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- شائو، جی. لی، ی. Ni, J. ویژگی های تغییرپذیری دما با زمین، عرض و طول جغرافیایی در منطقه سیچوان-چونگ کینگ. جی. جئوگر. علمی ۲۰۱۲ ، ۲۲ ، ۲۲۳-۲۴۴٫ [ Google Scholar ] [ CrossRef ]
- گروبسیچ، TH; وی، آر. موری، AT Spatial Clustering مرور و مقایسه: دقت، حساسیت و هزینه محاسباتی. ان دانشیار صبح. Geogr. ۲۰۱۴ ، ۱۰۴ ، ۱۱۳۴-۱۱۵۶٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه