Enhancing stop location detection for incomplete urban mobility datasets

停留点检测在人类移动性研究中具有多个领域的影响，包括城市规划、交通网络设计、流行病学建模和社会经济隔离分析。然而，它仍然是一个具有挑战性的任务，因为传统的密度聚类算法通常难以处理嘈杂或不完整的GPS数据集。本研究调查了分类算法在增强基于密度的停留点识别方法方面的应用。我们的方法结合了多个特征，包括个体在各种时间尺度上的例行行为和单个GPS点的本地特征。数据集包括以隐私保护和匿名化的GPS点，这些点由一种序列导向的密度依赖算法之前标记为停留点。我们通过从选择的停留点中去除点密度来模拟数据间隙，以评估在稀疏数据条件下的性能。该模型将轨迹内的单个GPS点分类为潜在的停留点或非停留点。鉴于数据集的高度不平衡性，在性能评估中，我们优先考虑召回率而不是精确度。结果表明，即使在时空间隙的情况下，该方法也能检测出大多数停留点，并且被分类为假阳性的点通常对应于设备的重复位置，通常靠近先前的停留点。虽然这项研究为移动性分析技术做出了贡献，但仍存在重大挑战。缺乏地面真实数据限制了对算法准确性的明确结论。需要进一步研究来验证该方法在不同数据集上的适用性，并纳入集体行为输入。

本文旨在解决停留点检测中GPS数据不完整或存在噪声的问题，提出了一种结合分类算法和密度聚类算法的方法。

本文的关键思路是将个体GPS点的行为特征和局部特征相结合，通过分类算法对轨迹中的GPS点进行分类，从而提高密度聚类算法在停留点检测中的准确率。

本文使用隐私保护和匿名化的GPS点数据集进行实验，结果表明该方法能够有效检测出停留点，即使在数据缺失的情况下也能表现出较高的准确率。此外，该方法还能够识别出设备的重复位置。但由于缺乏地面真实数据，该方法的准确性还需要进一步验证。

近年来，停留点检测领域的相关研究包括："A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise"和"Stop-Region Detection Using GPS Data"等。