知识卡片
无监督聚类替代人工经验分类
将每条道路24小时平均车速表示成序列,无监督聚类可发现具有相似潮汐变化的道路组,补充仅凭行政分区或经验标签的粗分类。对早高峰降速组可提出“居民区通往商务区”等候选解释,但这需要地图、方向和外部信息核验;类别不会自动等于业务真相,输入尺度、簇数及季节变化都会影响结果。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第12章 基于LSTM-Autoencoder的无监督聚类模型 12.3 SQLFlow中基于深度学习的聚类模型 · 查看原书依据
图12-17中,第4组道路群组在早高峰时段比较繁忙,车速在这个时段有比较明显的下降,随后逐渐恢复到正常水平,由此我们可以推测这组道路可能是居民区通往商务办公区。与之相反,第5组道路群组只在晚高峰时段比较繁忙,由此推测可能是从商务办公区到居民区的道路很可能是第4组道路对面的车道。第1组、第6组全天平均车速都较为平稳,可能为连接非繁忙区域的大道。第2组、第3组代表中央商务区或金融区的支线和大道,平均通过车速从早高峰开始前有明显的下降,并在整个白天都维持较低水平,直至夜晚9点以后才开始逐渐上升,这非常符合城市中央区域繁忙的时空特点。
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第12章 基于LSTM-Autoencoder的无监督聚类模型,12.3 SQLFlow中基于深度学习的聚类模型(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0068.xhtml)
- 结论依据:原文明确"以前研究人员通常根据交通部门的城市规划和交通数据对城市道路进行分类……基于主观认知和经验教条的分类存在着很多缺陷",聚类后"根据行驶速度把旧金山13775条道路的车辆分为6个模式……每个组内的道路都具有类似的潮汐规律",并推测出"居民区通往商务办公区""商务办公区到居民区""全天平稳""中央商务区"等业务含义的组。
- 原始内容:图12-17中,第4组道路群组在早高峰时段比较繁忙,车速在这个时段有比较明显的下降,随后逐渐恢复到正常水平,由此我们可以推测这组道路可能是居民区通往商务办公区。与之相反,第5组道路群组只在晚高峰时段比较繁忙,由此推测可能是从商务办公区到居民区的道路很可能是第4组道路对面的车道。第1组、第6组全天平均车速都较为平稳,可能为连接非繁忙区域的大道。第2组、第3组代表中央商务区或金融区的支线和大道,平均通过车速从早高峰开始前有明显的下降,并在整个白天都维持较低水平,直至夜晚9点以后才开始逐渐上升,这非常符合城市中央区域繁忙的时空特点。