W zależności od ilości danych do przetworzenia generowanie pliku może się wydłużyć.

Jeśli generowanie trwa zbyt długo można ograniczyć dane np. zmniejszając zakres lat.

Artykuł

Pobierz BibTeX

Tytuł

Bounding box representation of co-location instances for Chebyshev and Manhattan metrics

Autorzy

[ 1 ] Instytut Informatyki, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska | [ P ] pracownik

Dyscyplina naukowa (Ustawa 2.0)

[2.3] Informatyka techniczna i telekomunikacja

Rok publikacji

2023

Opublikowano w

Data & Knowledge Engineering

Rocznik: 2023 | Tom: vol. 145

Typ artykułu

artykuł naukowy

Język publikacji

angielski

Słowa kluczowe
EN
  • Co-location
  • Bounding box
  • Data mining
Streszczenie

EN Co-location Pattern Mining (CPM) is the task of discovering sets of spatial features (object types) whose instances are frequently located close to each other in space. Popular co-location discovery methods consist of iteratively: (1) generating co-location candidates, (2) determining instances of these candidates and calculating a measure of potential interestingness, and (3) determining the set of co-locations based on that measure. In this paper, we focus on the second step, as it is the most time-consuming element of CPM. We assume that the distance function is either the Chebyshev or the Manhattan metric. We provide an instance identification method that is characterized by a lower complexity than the state-of-the-art approach. In particular, (1) we introduce a new representation of co-location instances based on bounding boxes, (2) we formulate and prove several theorems regarding such a representation that can improve instances identification step, (3) we provide a novel algorithm that uses the above-mentioned theorems, and (4) we analyze its complexity. To verify our approach, we performed a series of experiments using two real-world datasets.

Data udostępnienia online

07.03.2023

Strony (od-do)

102153-1 - 102153-19

DOI

10.1016/j.datak.2023.102153

URL

https://www.sciencedirect.com/science/article/pii/S0169023X23000137?via%3Dihub

Uwagi

Article Number: 102153

Punktacja Ministerstwa / czasopismo

100

Impact Factor

2,7

Ta strona używa plików Cookies, w celu zapamiętania uwierzytelnionej sesji użytkownika. Aby dowiedzieć się więcej przeczytaj o plikach Cookies i Polityce Prywatności.