본문 바로가기

전체 글158

Bach, X., Miralles-Guasch, C., & Marquet, O. (2023). Spatial Inequalities in Access to Micromobility Services: An Analysis of Moped-Style Scooter Sharing Systems in Barcelona. Sustainability, 15(3), 2096. https://doi.org/10.3390/su15032096 Abstractaccessibility and spatial coverage 3. Methodology 2024. 11. 11.
Su, L., Yan, X., & Zhao, X. (2024). Spatial equity of micromobility systems: A comparison of shared E-scooters and docked bikeshare in Washington DC. Transport Policy, 145, 25–36. https://doi.org/10.1016/j.tranpol.2023.10.008 Abstract저소득층 사용 촉진에서 bikeshare system의 equity program이 e-scooter equity program보다 더 효율적으로 보임 1. Introductionspatial access, unaffordability, lack of digital literacy to access micromobility services, or without a bank account, smartphone, or data plan 때문에 소외계층이 shared micromobility를 이용하지 못하는 경우가 많음the equity of micromobility services의 이해는 교통 계획자와 정책 입안자가 서비스 격차를 줄이는 데 중요연구 질문dockless e-scooter p.. 2024. 11. 11.
K-means Clustering, K-평균 군집화 개요거리와 특성을 기반으로 K개의 군집을 만드는 비지도학습 알고리즘 분석 순서군집 개수(K) 설정 > 초기 중심점 설정 > 군집 할당 > 중심점 재설정 > 군집 재할당중심점 이동하지 않을 때까지 중심점 재설정 및 군집 재할당 반복중심점 재설정 시, 중심점은 그 군집의 데이터들 가운데(무게 중심)에 위치한 지점으로 재설정군집 개수 설정에는 Elbow Method 활용 가능초기 중심 설정에는 K-menas++ 활용 가능 단점초기 K 값과 중심점을 임의로 정해야 하며, 결과 값이 달라질 수 있cluster의 모양이 원형이 아닐 때는 정확한 결과를 도출하지 못함   참고 자료https://velog.io/@jhlee508/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D-K-%ED%8F%89%E.. 2024. 11. 4.
Gravity model for spatial decay effect 수식거리 조락 효과는 아래 식에서 $\beta$를 알아내려고 하는 것K는 신경 안 써도 됨 ㄹ$P_i$와 $P_j$는 $i$와 $j$의 "conceptual sizes" (상대적 중요성) e.g. 여행 흐름, immigration, 무역, 통화량 등$ D_{ij} $는 $i$와 $j$ 사이의 거리$ I_{ij} $는 $i$와 $j$ 사이의 상호작용$\beta$ 값이 크면 거리 조락 효과가 크게 나타나는 것. (가까울 수록 더 많이 연결되어 있음) 예시Yuan, Y., Liu, Y., & Wei, G. (2017). Exploring inter-country connection in mass media: A case study of China. Computers, Environment and Urban S.. 2024. 11. 4.
Spatiotemporal trajectory similarity papers Hu, D., Chen, L., Fang, H., Fang, Z., Li, T., & Gao, Y. (2023). Spatio-temporal trajectory similarity measures: A comprehensive survey and quantitative study. IEEE Transactions on Knowledge and Data Engineering 36(5) 2191-2212. doi: https://doi.org/10.1109/TKDE.2023.3323535trajectory 클러스터링 전에 similarity 계산 필요. trajectory similarity 분석을 위한 다양한 방법론 비교 2024. 10. 30.
Yuan, Y., & Medel, M. (2016). Characterizing International Travel Behavior from Geotagged Photos: A Case Study of Flickr. PLOS ONE, 11(5), e0154885. https://doi.org/10.1371/journal.pone.0154885 Flickr의 지오태그된 사진 데이터를 활용하여 국제 여행 행동을 분석한 연구입니다. 이들은 중력 모델을 사용해 국가 간 여행 패턴을 설명하며, 사람들이 특정 국가로 이동하는 빈도를 예측했습니다. 분석 결과, 특정 국가 간의 거리와 문화적 유사성이 여행에 영향을 미치는 주요 요소임을 확인했습니다. 이 연구는 소셜 미디어 데이터를 통해 국가 간 이동의 공간적, 문화적 요인을 연구하는 데 기여하며, 여행 및 관광 연구에 새로운 통찰을 제공합니다. 1. 서론연구는 소셜 미디어 데이터를 활용하여 국제 여행 행동을 이해하려는 필요성을 강조합니다. 기존 연구는 주로 전통적인 설문조사나 인터뷰를 통해 데이터 수집이 이루어졌지만, Flickr 같은 소셜 미디어 데이터를 통해 더 많은 정보를 효율적으로 얻을 수 있는 가.. 2024. 10. 29.
Yuan, Y., Liu, Y., & Wei, G. (2017). Exploring inter-country connection in mass media: A case study of China. Computers, Environment and Urban Systems, 62, 86–96. 시공간에 따라 중국과 다른 나라의 관계가 어떻게 달라지는지 분석하는데 Mass media (The Global Data on Events, Location and Tone; GDELT) 데이터가 효율적이라는 데 초점을 둔 연구.  1. Introduction대부분의 기존 연구는 시공간 패턴 인식과 같은 이벤트 마이닝의 방법론적 관점에 중점을 두고 있음매스 미디어 데이터를 사용하여 서로 다른 지리적 지역 간의 연결을 탐색하거나 시간이 지남에 따라 이러한 연결이 어떻게 진화하는지 조사한 경험적 연구는 상대적으로 적음그러나 이러한 연구의 내부적인 한계 존재:첫째, 운송 및 무역 흐름과 같은 집계된 사회 경제적 데이터는 종종 일방적이므로 개념적으로 두 개체 간의 공간적 연결에 대한 제한된 측면만 제공둘째, 이러.. 2024. 10. 29.
Ansari, M. Y., Mainuddin, Ahmad, A., & Bhushan, G. (2021). Spatiotemporal trajectory clustering: A clustering algorithm for spatiotemporal data. Expert Systems with Applications, 178, 115048. https://doi.org/10.1016/j.eswa.2021.115048 The paper presents a new algorithm for clustering spatiotemporal trajectories: the paths taken by objects or entities that change location over time. This type of data is complex because it combines both spatial (location-based) and temporal (time-based) dimensions.Key Concepts and Approach1. Spatiotemporal DataSpatial Data: Refers to the location of an object, typically represented in a 2D or 3.. 2024. 10. 24.
Density-Based Spatial Clustering of Applications with Noise (DBSCAN) 밀도 기반 클러스터링 개요Density-Based Spatial Clustering of Applications with Noise (DBSCAN)은 Ester et al. (1996)이 제안한 밀도 기반 클러스터링 알고리즘이다. 주어진 point data에서 Eps, MinPts 두가지 파라미터를 활용하여 임의 모양과 수의 클러스터를 찾는다. Eps는 반경, MinPts는 반경 내 이웃의 최소 수를 의미한다. 한 point에서 지정한 Eps 안에 MinPts 이상의 point가 있으면 클러스터를 형성한다. 단점- 클러스터링 전에 파라미터를 직접 지정해야 한다.- 시계열 데이터를 처리할 수 없다. ReferenceZhuang, S., & Chen, C. (2021, July). Aerial battlefield targets.. 2024. 10. 24.
[미국 일상] 체이스 은행 계좌 개설하기, $300 지급 이벤트 코드 공유, Zelle 계좌 개설 시 $300 받는 이벤트 코드(2025/01/22까지 적용 가능)TE92 3272 64X6 K4MN이 번호를 은행원께 보여드리면 됩니다.​Chase를 선택한 이유Chase는 규모 1위의 미국 은행이다.은행을 고를 때, 규모가 적절히 크고가까이에 지점이 있어서 방문하기 어렵지 않은 등본인에게 혜택이 있는 곳을 찾으면 될 것이다.​​방문 예약하기Checking Acoount를 온라인으로도 만들 수 있는데,미국에 처음 온 사람은 세금 정보가 없어서오프라인 은행 업무로 만들어야 한다.​무작정 은행에 방문했더니 당일 예약이 다 차서현장에서 다시 3일 뒤로 예약을 잡았다.방문 전에 미리 방문 예약을 하면 시간을 아낄 수 있다.​계좌 개설 요청은I would like to open a checking ac.. 2024. 10. 17.
[미국 일상] Discover student card, $100 사인업 보너스, 유학생 첫 신용카드 추천 이 링크로 Discover Student 카드를 발급받으면 $100 사인업 보너스를 받을 수 있어요.▼ $100 사인업 보너스 링크 Want $100, great rewards and more with Discover?Get your @Discover Card from my link and we'll each get a $100 statement credit when you make a purchase in the first 3 months. Terms apply.refer.discover.com ​과거 Discover 카드 신청 기록2019년 신청반 년 만에 $2,500로 상승1년 만에 $3,500로 상승Discover 카드 일부는 신용 점수가 없거나 낮아도 비교적 쉽게 만들 수 있다. 5년 전에 신용.. 2024. 10. 17.
Lansley, G., & Longley, P. A. (2016). The geography of Twitter topics in London. Computers, Environment and Urban Systems, 58, 85–96. 더보기이 연구는 런던에서 발생한 트위터 데이터를 분석하여 트위터의 주제별 지리적 분포를 탐구합니다. 즉, 런던 내에서 사람들이 트위터를 통해 어떤 주제들에 대해 언급하는지, 그리고 그 주제들이 특정 지역에서 어떻게 다르게 나타나는지를 분석합니다.연구의 주요 내용:목표:런던 내에서 트위터의 다양한 주제들이 어떤 지역에서 더 많이 언급되는지 파악하는 것.주제별 트윗의 지리적 분포를 분석하여 도시 내에서 어떤 주제가 지역적으로 집중되는지, 그리고 이를 통해 도시의 사회적, 문화적 특성을 어떻게 이해할 수 있는지 탐구.데이터:연구에서는 2014년과 2015년에 런던에서 발생한 트위터 데이터를 사용합니다. 트위터의 위치 기반 데이터를 활용하여 트윗이 작성된 지역을 분석하고, 각 트윗이 언급하는 주제를 식별하기 위.. 2024. 10. 15.
Gao, S., Liu, Y., Wang, Y., & Ma, X. (2013). Discovering Spatial Interaction Communities from Mobile Phone D ata. Transactions in GIS, 17(3), 463–481. 1 IntroductionThere are still some important questions that deserve attention: for example, what is the relationship between interaction in the physical world and that in cyberspace, how to exploit and analyze patterns of spatial interaction, and how to design efficient economical and administrative boundaries based on spatial interaction?Spatialized social network analysis (SSNA) facilitates th.. 2024. 10. 15.
Yuan, Y., & Raubal, M. (2012). Extracting Dynamic Urban Mobility Patterns from Mobile Phone Data. In N. Xiao, M.-P. Kwan, M. F. Goodchild, & S. Shekhar (Eds.), Geographic Information Science (Vol. 7478, pp. 354–367). Springer Berlin Heidelberg. 1 Introductionurban structure has a strong impact on urban-scale mobility patterns, indicating that different areas inside a city are associated with different inhabitants’ motion patternsthere has not been sufficient research on characterizing and classifying mobility patterns in different urban areas from a dynamic perspectiveWe analyze the hourly patterns (time series) of mobility aggregation.. 2024. 9. 30.
Liu, Y., Liu, X., Gao, S., Gong, L., Kang, C., Zhi, Y., ... & Shi, L. (2015). Social sensing: A new approach to understanding our socioeconomic environments. Annals of the Association of American Geographers, 105(3), 512-530. AbstractThis paper defines social sensing as individual-level spatiotemporally tagged data and related methodologies. This paper explains the similarity between social sensing data and remote sensing data, and the possibility of combining those datasets The major objective of social sensing is to detect socioeconomic characteristics in geographical space, which can thus be viewed as a complement.. 2024. 9. 29.
728x90
반응형