基于人工免疫的軌跡聚類和異常檢測算法研究.pdf

1、隨著各種無線通信網絡和GPS傳感器網絡的不斷發(fā)展，各種移動對象的軌跡數據大量地被收集，這些數據中隱藏了很多有用的知識，因此，非常有必要對這些數據進行有效的挖掘和分析。移動對象軌跡聚類能夠從大量的軌跡中提取共同的軌跡模式，可以分析移動對象的共同行為；軌跡異常檢測能夠發(fā)現位置和方向上的異常軌跡，這些軌跡可能是需要研究的新現象。
　　人工免疫作為一種新興的優(yōu)化算法已經越來越多地被研究，它是人工智能領域中重要的理論之一，將它的特性用到數據

2、挖掘算法中，提升算法性能，并作為移動對象數據挖掘的方法，這在移動對象挖掘領域還是剛起步，它的研究和應用前途十分光明。本文主要工作如下：
　　（1）分析TRACLUS軌跡聚類算法，發(fā)現對輸入的密度閾值和距離閾值參數較敏感，也就是說不同的參數組合使得聚類結果差異很大，尤其重要的是軌跡線段是高維數據，更加擴大了參數的影響因子；另外，由于軌跡線段的距離是近似描述兩者的位置關系，所以影響了聚類質量。這些缺陷一定程度上限制了TRACLUS算法

3、的應用。為此，將基于人工免疫的密度聚類算法引入到移動對象軌跡挖掘，提出了AIBTC算法；該算法將核心軌跡線段看作抗體，不斷通過克隆和變異更新抗體，發(fā)現TRACLUS算法忽視的部分軌跡簇。實驗表明，在保證運行時間增加不多的同時，AIBTC算法能夠獲取更好的聚類結果。
　　（2）由于TRAOD軌跡異常檢測算法采用粗粒度劃分和細粒度劃分兩個步驟分割一條軌跡，雖然通過第一步剪枝了不少細粒度線段的計算，但是軌跡數量龐大，所以算法的執(zhí)行時間會