基于多因素的軌跡異常集成檢測(cè).pdf

1、隨著物聯(lián)網(wǎng)、RFID標(biāo)簽、GPS定位、智能手機(jī)以及其它移動(dòng)設(shè)備的小型化和廣泛化應(yīng)用,移動(dòng)對(duì)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(duì)人類有意義的知識(shí),是目前移動(dòng)對(duì)象數(shù)據(jù)挖掘中一個(gè)亟待解決的問題。移動(dòng)對(duì)象軌跡異常檢測(cè)作為數(shù)據(jù)挖掘一個(gè)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(cè)方法進(jìn)行了研究,主要工作如下:
　　(1)基于多因素的軌跡異常檢測(cè)方法
　　針對(duì)已有軌跡異常檢測(cè)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(yùn)動(dòng)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(cè)中。本文提出一種基于多因素的軌跡異常檢測(cè)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(diǎn)。在多因素選擇的過程中,通過對(duì)多因素間進(jìn)行典型關(guān)聯(lián)分析來對(duì)參與異常檢測(cè)的因素個(gè)數(shù)進(jìn)行優(yōu)化,從而在一定程度上提高了異常檢測(cè)算法的效率。最后,實(shí)驗(yàn)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(cè)方法
　　針對(duì)已有軌跡異常檢測(cè)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(cè)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(duì)軌跡數(shù)據(jù)多因素特征進(jìn)行集成。算法對(duì)軌跡多因素特征分別進(jìn)行檢測(cè)并為每種特征檢測(cè)出的結(jié)果賦予一個(gè)用于集成的異常分值,隨后利用組合函數(shù)對(duì)這些分值進(jìn)行集成從而得到一個(gè)最終異常分值,并以此分值進(jìn)行最終的異常檢測(cè)。在集成過程中,