Novel spatial meta-feature weighted consensus clustering of geospatial data
Fragment książki (Materiały konferencyjne)
MNiSW
140
konferencja
| Status: | |
| Autorzy: | Kozar Joanna Małgorzata, Charytanowicz Małgorzata |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Strony: | 1 - 13 |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 34th International Conference on Information Systems Development |
| Skrócona nazwa konferencji: | 34th ISD 2026 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 2 września 2026 do 4 września 2026 |
| Miasto konferencji: | Prague |
| Państwo konferencji: | CZECHY |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Otwarte repozytorium |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 17 września 2026 |
| Abstrakty: | angielski |
| Accurate identification of geospatial data has a fundamental impact on research and management of wildlife and animal behaviour. Consensus clustering literature neglects the fact that different algorithms are better suited to different dataset geometries, and this can be assessed prior to clustering. In this paper we propose the Spatial Meta-Feature Weighted (SMFW) Consensus Clustering algorithm, which improves the classic EAC for spatial animal data by replacing equal weighting with multi-algorithm adaptive weighting based on spatial meta-features, and by determining weights predictively without a training phase. In addition, this approach made it possible to remove the assumption regarding the number of clusters required by the methods used. Experiments on real and synthetic datasets for the primary ARI metric showed an average improvement of 22.5% compared to traditional approaches. The study's findings demonstrate that the proposed method is an effective tool for geospatial data clustering |
