Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new usermining GPS data to determine interesting locations
استكشاف الاماكن المثيرة للاهتمام من خلال تحليل بيانات الGPS
811
0 14
0.0
(
0
)
Added by
Damascus University حلقة بحث
Publication date
2019
fields
Informatics Engineering
and research's language is
العربية
Authors
jihad( طالب )
Created by
Jihad Abdullah
Ask ChatGPT about the research
. تعد إدارة وفهم بيانات المواقع المجمعة قضيتين مهمتين لهذه التطبيقات. تقدم هذه الورقة طرقًا لاستخراج مواقع مثيرة للاهتمام من البيانات المكانية والزمانية. الهدف من هذه الورقة هو تجميع آثار GPS الفردية للحصول على رؤى عن الأماكن المثيرة للاهتمام. يمكن الحصول على هذه المواقع المهمة من خلال معالجة البيانات من الأجهزة التي تعمل بنظام GPS للمستخدمين الذين يعيشون في منطقة جغرافية معينة.
No English abstract
Artificial intelligence review:
Research summary
تتناول هذه الورقة البحثية موضوع استخراج المواقع المثيرة للاهتمام من بيانات GPS الزمنية والمكانية. الهدف الرئيسي هو تجميع آثار GPS الفردية للحصول على رؤى حول الأماكن التي يرتادها عدد كبير من الأشخاص مثل المكاتب، الجامعات، المتاحف، المطاعم، والحدائق. يتم استخدام عمليات الجبر العلائقي والإحصاءات لاستكشاف هذه المواقع. تم تقييم المنهجية باستخدام مجموعة بيانات GPS تم جمعها من قبل 62 مستخدمًا على مدار عامين. يتم تحديد نقاط الإقامة للأفراد بناءً على آثار GPS الخاصة بهم، ومن ثم تجميع هذه النقاط لتحديد المواقع المثيرة للاهتمام. تم استخدام خوارزميات مختلفة مثل Bag Union وBag Intersection وMode Of Stay Points لتحديد هذه المواقع. تم تطبيق المنهجية على مجموعة بيانات تم جمعها بواسطة Microsoft Research Asia، وتم استخراج 3189 نقطة بقاء من البيانات. النتائج أظهرت أن هناك 42 موقعًا مثيرًا للاهتمام تم تحديدها باستخدام الأسلوب المقترح. الورقة تقارن أيضًا النتائج مع نتائج استخدام خوارزمية التجميع (k-means) وتوضح أن هناك تشابهًا مهمًا بين النهجين. في المستقبل، يقترح الباحثون استخدام المزيد من الجوانب الزمنية للبيانات واستغلال الجوانب الدلالية للمواقع لتحديد المواقع المثيرة للاهتمام بشكل أفضل.
Critical review
دراسة نقدية: تقدم هذه الورقة البحثية إسهامًا مهمًا في مجال تحليل بيانات GPS لاستخراج المواقع المثيرة للاهتمام. ومع ذلك، هناك بعض النقاط التي يمكن تحسينها. أولاً، الورقة تعتمد بشكل كبير على بيانات GPS من منطقة جغرافية معينة (بكين، الصين)، مما قد يحد من تعميم النتائج على مناطق أخرى. ثانيًا، الورقة تتجاهل الجوانب الدلالية للمواقع، والتي يمكن أن تضيف قيمة كبيرة في تحديد المواقع المثيرة للاهتمام. ثالثًا، لم يتم مناقشة التحديات المتعلقة بالخصوصية والأمان عند جمع وتحليل بيانات GPS. وأخيرًا، يمكن تحسين الورقة من خلال تقديم تحليل أعمق للمقارنة بين النهج المستخدم وخوارزميات أخرى لتحليل البيانات المكانية والزمنية.
Questions related to the research
-
ما هو الهدف الرئيسي من هذه الورقة البحثية؟
الهدف الرئيسي هو تجميع آثار GPS الفردية للحصول على رؤى حول الأماكن المثيرة للاهتمام التي يرتادها عدد كبير من الأشخاص.
-
ما هي الخوارزميات المستخدمة لتحديد المواقع المثيرة للاهتمام؟
تم استخدام خوارزميات مثل Bag Union وBag Intersection وMode Of Stay Points لتحديد المواقع المثيرة للاهتمام.
-
ما هي البيانات المستخدمة في تقييم المنهجية؟
تم استخدام مجموعة بيانات GPS تم جمعها من قبل 62 مستخدمًا على مدار عامين بواسطة Microsoft Research Asia.
-
ما هي النقاط التي يمكن تحسينها في هذه الورقة البحثية؟
يمكن تحسين الورقة من خلال تضمين بيانات من مناطق جغرافية متنوعة، استغلال الجوانب الدلالية للمواقع، مناقشة التحديات المتعلقة بالخصوصية والأمان، وتقديم تحليل أعمق للمقارنة بين النهج المستخدم وخوارزميات أخرى.
References used
https://www.researchgate.net/publication/254004719_Mining_GPS_data_to_determine_interesting_locations
rate research
Read More
The advances in location-acquisition and mobile computing techniques have generated massive spatial trajectory data, which represent the mobility of a diversity of moving objects, such as people, vehicles and animals. Many techniques have been propos
ed for processing, managing and mining trajectory data in the past decade, fostering a broad range of applications. In this article, we conduct a systematic survey on the major research into trajectory data mining, providing a panorama of the field as well as the scope of its research topics. Following a roadmap from the derivation of trajectory data, to trajectory data preprocessing, to trajectory data management, and to a variety of mining tasks (such as trajectory pattern mining, outlier detection, and trajectory classification), the survey explores the connections, correlations and differences among these existing techniques. This survey also introduces the methods that transform trajectories into other data formats, such as graphs, matrices, and tensors, to which more data mining and machine learning techniques can be applied. Finally, some public trajectory datasets are presented. This survey can help shape the field of trajectory data mining, providing a quick understanding of this field to the community.
Cross-document event coreference resolution (CDCR) is the task of identifying which event mentions refer to the same events throughout a collection of documents. Annotating CDCR data is an arduous and expensive process, explaining why existing corpor
a are small and lack domain coverage. To overcome this bottleneck, we automatically extract event coreference data from hyperlinks in online news: When referring to a significant real-world event, writers often add a hyperlink to another article covering this event. We demonstrate that collecting hyperlinks which point to the same article(s) produces extensive and high-quality CDCR data and create a corpus of 2M documents and 2.7M silver-standard event mentions called HyperCoref. We evaluate a state-of-the-art system on three CDCR corpora and find that models trained on small subsets of HyperCoref are highly competitive, with performance similar to models trained on gold-standard data. With our work, we free CDCR research from depending on costly human-annotated training data and open up possibilities for research beyond English CDCR, as our data extraction approach can be easily adapted to other languages.
Team Name: team-8 Embeddia Tool: Cross-Lingual Document Retrieval Zosa et al. Dataset: Estonian and Latvian news datasets abstract: Contemporary news media face increasing amounts of available data that can be of use when prioritizing, selecting and
discovering new news. In this work we propose a methodology for retrieving interesting articles in a cross-border news discovery setting. More specifically, we explore how a set of seed documents in Estonian can be projected in Latvian document space and serve as a basis for discovery of novel interesting pieces of Latvian news that would interest Estonian readers. The proposed methodology was evaluated by Estonian journalist who confirmed that in the best setting, from top 10 retrieved Latvian documents, half of them represent news that are potentially interesting to be taken by the Estonian media house and presented to Estonian readers.
في هذا البحث تٌستخدم تقنيات استكشاف الصور كالتجميع و قواعد الاستكشاف لاستكشاف المعرفة من الصورة و أيضاً يستخدم دمج الميزات متعددة الوسائط مثل البصرية و النصية.
Large pretrained language models using the transformer neural network architecture are becoming a dominant methodology for many natural language processing tasks, such as question answering, text classification, word sense disambiguation, text comple
tion and machine translation. Commonly comprising hundreds of millions of parameters, these models offer state-of-the-art performance, but at the expense of interpretability. The attention mechanism is the main component of transformer networks. We present AttViz, a method for exploration of self-attention in transformer networks, which can help in explanation and debugging of the trained models by showing associations between text tokens in an input sequence. We show that existing deep learning pipelines can be explored with AttViz, which offers novel visualizations of the attention heads and their aggregations. We implemented the proposed methods in an online toolkit and an offline library. Using examples from news analysis, we demonstrate how AttViz can be used to inspect and potentially better understand what a model has learned.
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
