基于機器學(xué)習(xí)的異常檢測研究.pdf

1、隨著GPS設(shè)備、傳感網(wǎng)絡(luò)以及RFID等技術(shù)日臻成熟以及定位設(shè)備的廣泛的使用產(chǎn)生了大量的軌跡數(shù)據(jù)，軌跡數(shù)據(jù)表現(xiàn)為定位設(shè)備所產(chǎn)生的大規(guī)模數(shù)據(jù)流。有效地對數(shù)據(jù)流形式出現(xiàn)的軌跡進行分析處理，可以發(fā)掘出軌跡數(shù)據(jù)中潛藏的異?，F(xiàn)象，從而服務(wù)城市規(guī)劃、交通管理、氣象監(jiān)測等應(yīng)用。本文研究的對象是移動對象的軌跡數(shù)據(jù)，在全面分析了國內(nèi)外對軌跡數(shù)據(jù)的相關(guān)研究后，針對軌跡數(shù)據(jù)的聚類分析和軌跡的異常檢測進行了研究，在此基礎(chǔ)上提出了基于加權(quán)多特征軌跡聚類方法和基于軌

2、跡信息熵分布的異常軌跡檢測方法，并對其進行了理論和實驗兩個方面的論證和分析。研究的工作主要包括以下兩個方面：
　?。?）針對軌跡聚類分析過分追求提高效率而忽略了軌跡的運動特征信息的問題。提出了基于加權(quán)多特征軌跡聚類方法，該方法提取了軌跡運動特征信息，在傳統(tǒng)的軌跡間距離度量方式基礎(chǔ)上加以改進，引入加權(quán)多特征距離作為軌跡間相似度的度量，能夠從更全面的多角度分析軌跡的運動特點，從而得到更好的聚類效果，進而得到更佳的代表性軌跡為異常檢測中

3、信息熵計算提供依據(jù)。
　?。?）針對異常軌跡檢測多特征檢測效率低以及異常閾值參數(shù)選擇敏感的問題。提出了基于軌跡信息熵分布的異常軌跡檢測方法，該方法利用信息熵度量不確定數(shù)據(jù)方面的特點，在異常檢測中引入軌跡信息熵的概念，以基于加權(quán)多特征軌跡聚類方法后得到的代表性軌跡計算軌跡信息熵，通過比較軌跡信息大小以及分布特點，并結(jié)合異常數(shù)據(jù)檢測的“kσ”準則確定異常軌跡閾值，進而提高了異常軌跡檢測的效果。
　　驗證試驗表明：通過在大西洋颶風(fēng)