面向GPS数据的轨迹聚类与异常检测算法研究

发布时间：2020-03-24 07:28

【摘要】：目前随着智能手机的广泛发展,人们的生活移动轨迹被采集记录下来,形成了一些轨迹数据集。如何使用分析这些人类移动的数据,从大量的信息中发现有价值的轨迹行为信息,例如识别出异常轨迹,是当前轨迹数据研究的焦点。现在,轨迹数据研究主要包括轨迹聚类、轨迹频繁模式以及异常检测等。虽然有很多的聚类算法和轨迹异常检测算法的提出,但是主要思想是对轨迹数据进行空间上聚类和异常检测,忽略了其他的信息特征,如时间、地理信息等。为解决上述问题本文以基于轨迹的时空特征进行聚类为出发点,以发现轨迹异常行为模式为目标,提出一种基于轨迹特征聚类的异常行为模式检测方法,具体所做工作如下:(1)提出了一种基于轨迹时空特征的轨迹聚类方法。目前轨迹聚类通常先进行轨迹分割形成轨迹片段,然后通过相似性测量方法对轨迹片段进行相似度量,相似度高的归为一类,这样的思路方法时间消耗长,而且同样空间占用也非常高。针对这些问题,提出了一种基于轨迹时空特征的轨迹聚类算法:对每条轨迹中的轨迹点进行基于时间特征的粗聚类算法,之后计算各条轨迹的时空特征,形成向量空间,再用经典聚类算法进行细聚类方法得到最终划分聚簇。(2)提出一种基于轨迹聚类的异常检测方法。用上面提供的聚类方法得到的轨迹聚簇可计算出轨迹领域的密度值和时间异常阈值,用这两项可进行异常检测,分为多种轨迹异常情况,如时间特征异常、空间特征异常和全局异常。进一步由于轨迹数据中新的采样数据会实时不断地到来,所以要对异常检测算法中的数据进行更新,提出一种基于滑动窗口的算法,每收集到一定的数据就进行异常检测。最后进行实验验证轨迹聚类和异常检测的有效性,通过对实验结果进行分析,本文方法不仅具有合理性和有效性,还能够准确并且有效地轨迹聚类和异常检测,从而挖掘出具有相似社会角色、行为特征、兴趣爱好的移动对象群体。
【图文】：

空间形状,轨迹,时空特征,移动对象

就会产生并累积数据。所以，轨迹数据量是轨迹数据值，同时也缺少管理轨迹数据的办法是关键问题[31]，，对于不断到来的轨迹数据，进检测是有意义的。于以上问题，做了以下工作：一种轨迹数据特征的提取算法轨迹聚类方法中，大多数算法都是通过在空间性计算，只是考虑了经纬度的空间特性，但是据，它本身就带有时间戳的信息，如何利用其面考量的聚类是有重要作用的。基于上述问题方法。该方法通过增加了时间因素来提高轨迹种基于轨迹聚类的异常模检测方法的时空特征反映了移动对象日常行为模式，随改变。我们需要提出实时的更新检测轨迹异常轨迹异常的检测是在空间形状上进行检测。

匹配过程,轨迹,道路网络

ctory Compression)：对于移动对象计算和应用中受限于存储和计算于处理轨迹数据。实时压缩和离线批量压缩两类。个轨迹点并且基于这 n 个轨迹点果下一个轨迹点的位置超出规定方向角度改变。方法，给定轨迹，轨迹通过一系迹点被批量压缩算法丢弃以获得。 matching)：道路网络匹配是将轨的采样序列转换为道路网络坐标样点被映射到道路网络位置。然差，GPS跟踪数据与实际轨迹之间车辆可能无法在道路上正确显示
【学位授予单位】：辽宁大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP311.13;P228.4

【参考文献】