基于DBSCAN聚类算法的异常轨迹检测

发布时间：2018-12-18 03:10

【摘要】：现有的异常轨迹检测算法往往侧重于检测轨迹的空域异常,忽略了对轨迹时域异常的检测,并且检测精确度不高,针对此类问题,提出了基于增强聚类的异常轨迹检测算法。首先,采用基于速度的最小描述长度(VMDL)准则把轨迹简化成有序线段;然后,使用改进的线段间的距离定义,基于DBSCAN算法把线段分为不同的类,以建模局部正常运动模式;最后,采用先检测空间异常性再检测时间异常性的二级检测算法,检测时空异常轨迹点。在多个测试集上的实验结果表明:该算法可以检测位置、角度、速度等三种时空异常轨迹点,相对于其他算法,明显提高了异常轨迹检测的精确度。
[Abstract]:The existing anomaly detection algorithms often focus on detecting the spatial anomaly of the trajectory, neglecting the detection of the track anomaly in time domain, and the detection accuracy is not high. In order to solve this problem, an enhanced clustering based anomaly track detection algorithm is proposed. Firstly, the trajectory is simplified to an ordered line segment by using the (VMDL) criterion of minimum description length based on velocity, and then the line segment is divided into different classes based on the improved DBSCAN algorithm to model the local normal motion pattern. Finally, a two-level detection algorithm is used to detect the spatial anomaly and then the temporal anomaly. The experimental results on several test sets show that the algorithm can detect the location, angle and velocity of three kinds of abnormal locus in time and space. Compared with other algorithms, the accuracy of abnormal trajectory detection is improved obviously.
【作者单位】： 中国科学院沈阳自动化研究所;中国科学院大学;航天恒星科技有限公司;中国科学院光电信息处理重点实验室;
【分类号】：TP311.13

【相似文献】

相关期刊论文 前10条

1 ;Scaling up the DBSCAN Algorithm for Clustering Large Spatial Databases Based on Sampling Technique[J];Wuhan University Journal of Natural Sciences;2001年Z1期

2 岳士弘,李平,郭继东,周水庚;Using Greedy algorithm: DBSCAN revisited II[J];Journal of Zhejiang University Science;2004年11期

3 蔡颖琨,谢昆青,马修军;屏蔽了输入参数敏感性的DBSCAN改进算法[J];北京大学学报(自然科学版);2004年03期

4 宋明,刘宗田;基于数据交叠分区的并行DBSCAN算法[J];计算机应用研究;2004年07期

5 熊忠阳,孙思,张玉芳,王秀琼;一种基于划分的不同参数值的DBSCAN算法[J];计算机工程与设计;2005年09期

6 何中胜;刘宗田;庄燕滨;;基于数据分区的并行DBSCAN算法[J];小型微型计算机系统;2006年01期

7 李杰;贾瑞玉;张璐璐;;一个改进的基于DBSCAN的空间聚类算法研究[J];计算机技术与发展;2007年01期

8 冯少荣;肖文俊;;基于密度的DBSCAN聚类算法的研究及应用[J];计算机工程与应用;2007年20期

9 谭颖;胡瑞飞;殷国富;;多密度阈值的DBSCAN改进算法[J];计算机应用;2008年03期

10 冯少荣;肖文俊;;一种提高DBSCAN聚类算法质量的新方法[J];西安电子科技大学学报;2008年03期

相关会议论文 前7条

1 马帅;宋国杰;唐世渭;杨冬青;王腾蛟;;基于单元划分的DBSCAN聚类算法[A];第十九届全国数据库学术会议论文集（技术报告篇）[C];2002年

2 朵春红;王翠茹;;基于取样的DBSCAN聚类算法及其遗传优化[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

3 庞洋;李海林;郭义喜;;基于DBSCAN算法的日志信息聚类研究[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 宫蕊;舒红平;郭远远;;基于DBSCAN的密度聚类算法的研究[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

5 张健沛;许慧;杨静;崔洪晶;;基于数据分区、QR~*-树的并行DBSCAN算法[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集（下）[C];2006年

6 范晔;周水庚;曹晶;周傲英;;通过数据取样扩展基于密度的聚类算法[A];第十六届全国数据库学术会议论文集[C];1999年

7 曹晶;周水庚;范晔;周傲英;;数据分区:一种改善基于密度的聚类算法的方法[A];第十六届全国数据库学术会议论文集[C];1999年

相关硕士学位论文 前10条

1 陆颖华;基于局部敏感哈希的DBSCAN算法研究[D];南京信息工程大学;2015年

2 韩梅;基于改进DBSCAN的复杂工业过程建模数据异常点检测研究[D];天津工业大学;2016年

3 刘聪;基于SPARK平台的LAMOST早M型光谱聚类的研究[D];山东大学;2016年

4 冯振华;基于DBSCAN聚类算法的研究与应用[D];江南大学;2016年

5 田路强;基于DBSCAN的分布式聚类及增量聚类的研究与应用[D];北京工业大学;2016年

6 李宗林;基于DBSCAN的自适应聚类算法研究[D];长沙理工大学;2015年

7 刘宏超;基于DBSCAN的文本聚类算法研究[D];江西财经大学;2016年

8 王实美;基于DBSCAN的自适应非均匀密度聚类算法研究[D];北京交通大学;2017年

9 罗启福;基于云计算的DBSCAN算法研究[D];武汉理工大学;2013年

10 吴林敏;针对非均匀数据集的DBSCAN过滤式改进算法[D];重庆大学;2009年

，

本文编号：2385228