基于多因素的軌跡異常集成檢測.pdf

1、隨著物聯(lián)網(wǎng)、RFID標簽、GPS定位、智能手機以及其它移動設(shè)備的小型化和廣泛化應(yīng)用,移動對象軌跡數(shù)據(jù)呈爆炸式增長,如何有效的從這些數(shù)據(jù)中發(fā)現(xiàn)未知信息和對人類有意義的知識,是目前移動對象數(shù)據(jù)挖掘中一個亟待解決的問題。移動對象軌跡異常檢測作為數(shù)據(jù)挖掘一個重要分支,可以有效發(fā)現(xiàn)數(shù)據(jù)集中的異常信息。本文圍繞軌跡數(shù)據(jù)異常檢測方法進行了研究,主要工作如下:
　　(1)基于多因素的軌跡異常檢測方法
　　針對已有軌跡異常檢測算法只關(guān)注軌跡數(shù)

2、據(jù)的位置信息,忽略了與軌跡運動相關(guān)特征的問題,綜合考慮了軌跡位置、速度、加速度、轉(zhuǎn)角等因素,將其加入到異常檢測中。本文提出一種基于多因素的軌跡異常檢測算法TODMF,該方法在傳統(tǒng)基于距離算法的基礎(chǔ)之上,引入多因素距離這一概念來發(fā)現(xiàn)更有意義的軌跡異常點。在多因素選擇的過程中,通過對多因素間進行典型關(guān)聯(lián)分析來對參與異常檢測的因素個數(shù)進行優(yōu)化,從而在一定程度上提高了異常檢測算法的效率。最后,實驗結(jié)果充分表明了TODMF算法的有效性。
　

3、　(2)軌跡多因素異常集成檢測方法
　　針對已有軌跡異常檢測算法無法有效處理軌跡多因素特征的問題,提出了一種軌跡多因素異常檢測集成算法 TRODEM。該算法采用了集成分析技術(shù),并利用一種新穎的、數(shù)據(jù)為中心的集成框架來對軌跡數(shù)據(jù)多因素特征進行集成。算法對軌跡多因素特征分別進行檢測并為每種特征檢測出的結(jié)果賦予一個用于集成的異常分值,隨后利用組合函數(shù)對這些分值進行集成從而得到一個最終異常分值,并以此分值進行最終的異常檢測。在集成過程中,