Spatial product partition model through spanning trees
Ano de defesa: | 2015 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Minas Gerais
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://hdl.handle.net/1843/ESBF-9XYGYD |
Resumo: | Ao analisar dados espaciais, muitas vezes há a necessidade de agregar áreas geográficas em regiões maiores, um processo chamado de regionalização ou agrupamento com restrições espaciais. Este tipo de agregação pode ser útil para tornar a análise de dados tratável, reduzir o efeito de diferentes populações levando a uma melhor manipulação estatística dos dados ou até mesmo para facilitar a visualização.Neste trabalho, apresentamos um novo método de regionalização que incorpora o conceito de árvores geradoras a um modelo estatístico, formando um novo tipo de modelo partição produto espacial. Ao condicionar as partições em quebras de árvores geradoras, reduz-se o espaço de busca, possibilitando a construção de um algoritmo eficaz para amostragem da distribuição a posteriori das partições.Nós mostramos que, ao usar um modelo estatístico Bayesiano, é possível acomodar melhor a variação natural dos dados e diminuir o efeito de valores extremos, produzindo assim melhores resultados quando comparado com as abordagens tradicionais. Nós também mostramos como nosso modelo é flexível o suficiente para acomodar dados com diferentes distribuições. Finalmente, nós avaliamos o nosso método através de experimentos com dados simulados, bem como através de dois estudos de caso. |
id |
UFMG_848d36dab97d399529c63c9ec8a010e7 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/ESBF-9XYGYD |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Renato Martins AssuncaoFabio Gagliardi CozmanPedro Olmo Stancioli Vaz de MeloRosangela Helena LoschiLeonardo Vilela Teixeira2019-08-11T15:44:09Z2019-08-11T15:44:09Z2015-06-03http://hdl.handle.net/1843/ESBF-9XYGYDAo analisar dados espaciais, muitas vezes há a necessidade de agregar áreas geográficas em regiões maiores, um processo chamado de regionalização ou agrupamento com restrições espaciais. Este tipo de agregação pode ser útil para tornar a análise de dados tratável, reduzir o efeito de diferentes populações levando a uma melhor manipulação estatística dos dados ou até mesmo para facilitar a visualização.Neste trabalho, apresentamos um novo método de regionalização que incorpora o conceito de árvores geradoras a um modelo estatístico, formando um novo tipo de modelo partição produto espacial. Ao condicionar as partições em quebras de árvores geradoras, reduz-se o espaço de busca, possibilitando a construção de um algoritmo eficaz para amostragem da distribuição a posteriori das partições.Nós mostramos que, ao usar um modelo estatístico Bayesiano, é possível acomodar melhor a variação natural dos dados e diminuir o efeito de valores extremos, produzindo assim melhores resultados quando comparado com as abordagens tradicionais. Nós também mostramos como nosso modelo é flexível o suficiente para acomodar dados com diferentes distribuições. Finalmente, nós avaliamos o nosso método através de experimentos com dados simulados, bem como através de dois estudos de caso.When performing analysis of spatial data, there is often the need to aggregate geographical areas into larger regions, a process called regionalization or spatially constrained clustering. This type of aggregation can be useful to make data analysis tractable, reduce the effect of different populations for a better statistical handling of the data or even to facilitate the visualization.In this work we present a new regionalization method which incorporates the concept of spanning trees into a statistical framework, forming a new type of spatial product partition model. By conditioning the partitions to splits of spanning trees we reduce the search space and enable the construction of an effective sampling algorithm.We show how using a Bayesian statistical framework we are able to better accommodate the natural variation of the data and to diminish the effect of outliers, producing better results when compared with the traditional approaches. We also show how our model is flexible enough to accommodate distinct distributions of data. Finally, we evaluate our method through experiments with simulated data as well as with two distinct case studies.Universidade Federal de Minas GeraisUFMGComputaçãoVariaveis latentes Teoria bayesiana de decisão estatisticaLatent ModelsBayesian Structure LearningSpatial ClusteringPartition ModelsSpatial product partition model through spanning treesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALleonardoteixeira.pdfapplication/pdf20768606https://repositorio.ufmg.br/bitstream/1843/ESBF-9XYGYD/1/leonardoteixeira.pdf97ff8b535803fa4da75a76dee83afd99MD51TEXTleonardoteixeira.pdf.txtleonardoteixeira.pdf.txtExtracted texttext/plain136532https://repositorio.ufmg.br/bitstream/1843/ESBF-9XYGYD/2/leonardoteixeira.pdf.txt6eb9325efe6ed761962a8f7930ffe096MD521843/ESBF-9XYGYD2019-11-14 09:57:26.966oai:repositorio.ufmg.br:1843/ESBF-9XYGYDRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T12:57:26Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Spatial product partition model through spanning trees |
title |
Spatial product partition model through spanning trees |
spellingShingle |
Spatial product partition model through spanning trees Leonardo Vilela Teixeira Latent Models Bayesian Structure Learning Spatial Clustering Partition Models Computação Variaveis latentes Teoria bayesiana de decisão estatistica |
title_short |
Spatial product partition model through spanning trees |
title_full |
Spatial product partition model through spanning trees |
title_fullStr |
Spatial product partition model through spanning trees |
title_full_unstemmed |
Spatial product partition model through spanning trees |
title_sort |
Spatial product partition model through spanning trees |
author |
Leonardo Vilela Teixeira |
author_facet |
Leonardo Vilela Teixeira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Renato Martins Assuncao |
dc.contributor.referee1.fl_str_mv |
Fabio Gagliardi Cozman |
dc.contributor.referee2.fl_str_mv |
Pedro Olmo Stancioli Vaz de Melo |
dc.contributor.referee3.fl_str_mv |
Rosangela Helena Loschi |
dc.contributor.author.fl_str_mv |
Leonardo Vilela Teixeira |
contributor_str_mv |
Renato Martins Assuncao Fabio Gagliardi Cozman Pedro Olmo Stancioli Vaz de Melo Rosangela Helena Loschi |
dc.subject.por.fl_str_mv |
Latent Models Bayesian Structure Learning Spatial Clustering Partition Models |
topic |
Latent Models Bayesian Structure Learning Spatial Clustering Partition Models Computação Variaveis latentes Teoria bayesiana de decisão estatistica |
dc.subject.other.pt_BR.fl_str_mv |
Computação Variaveis latentes Teoria bayesiana de decisão estatistica |
description |
Ao analisar dados espaciais, muitas vezes há a necessidade de agregar áreas geográficas em regiões maiores, um processo chamado de regionalização ou agrupamento com restrições espaciais. Este tipo de agregação pode ser útil para tornar a análise de dados tratável, reduzir o efeito de diferentes populações levando a uma melhor manipulação estatística dos dados ou até mesmo para facilitar a visualização.Neste trabalho, apresentamos um novo método de regionalização que incorpora o conceito de árvores geradoras a um modelo estatístico, formando um novo tipo de modelo partição produto espacial. Ao condicionar as partições em quebras de árvores geradoras, reduz-se o espaço de busca, possibilitando a construção de um algoritmo eficaz para amostragem da distribuição a posteriori das partições.Nós mostramos que, ao usar um modelo estatístico Bayesiano, é possível acomodar melhor a variação natural dos dados e diminuir o efeito de valores extremos, produzindo assim melhores resultados quando comparado com as abordagens tradicionais. Nós também mostramos como nosso modelo é flexível o suficiente para acomodar dados com diferentes distribuições. Finalmente, nós avaliamos o nosso método através de experimentos com dados simulados, bem como através de dois estudos de caso. |
publishDate |
2015 |
dc.date.issued.fl_str_mv |
2015-06-03 |
dc.date.accessioned.fl_str_mv |
2019-08-11T15:44:09Z |
dc.date.available.fl_str_mv |
2019-08-11T15:44:09Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/ESBF-9XYGYD |
url |
http://hdl.handle.net/1843/ESBF-9XYGYD |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/ESBF-9XYGYD/1/leonardoteixeira.pdf https://repositorio.ufmg.br/bitstream/1843/ESBF-9XYGYD/2/leonardoteixeira.pdf.txt |
bitstream.checksum.fl_str_mv |
97ff8b535803fa4da75a76dee83afd99 6eb9325efe6ed761962a8f7930ffe096 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1793890920435810304 |