论文部分内容阅读
在移动对象数据挖掘领域,移动对象异常检测是一个十分值得研究的方向。本文针对移动对象异常轨迹检测的发展状况,全面总结了该领域中的各种方法,对各种方法的不足进行阐述,从改善算法异常检测效果、提高算法效率和优化参数三个方面入手,对移动对象轨迹异常检测进行研究。论文主要工作如下:(1)在轨迹异常检测算法TRAOD基础上,针对该算法不能从局部的稠密的轨迹中检测出异常的缺陷,提出了基于密度的轨迹异常检测DBTOD算法,该算法采用划分和检测框架,计算每个轨迹分段的局部密度,并根据局部密度计算每个轨迹分段的局部异常因子,若局部异常因子大于某个阈值,则视该轨迹分段为异常轨迹分段。DBTOD算法能够检测出异常子轨迹,也能够检测出局部异常的轨迹,通过实验验证,DBTOD算法改善了TRAOD算法的检测效果。(2)为了提高异常轨迹检测的效率,本文引入了一个新的轨迹特征参数轨迹方向TD,用来描述轨迹的静态分布信息,同时提出了一种基于轨迹方向特征的由粗到细策略的有效轨迹异常检测算法CFTOD,该算法包含三个阶段:特征抽取、异常轨迹粗检测、异常轨迹细检测。在异常轨迹粗检测阶段根据轨迹方向TD的特征来检测出一些轨迹方向突然转变的异常轨迹,这样在轨迹细检测阶段可以缩小轨迹搜索的空间,从而加快轨迹异常检测速率。实验结果表明CFTOD算法比TRAOD算法更高效。(3)TRAOD算法采用Hausdorff距离来度量轨迹分段之间的距离,存在对参数比较敏感的缺陷,需要用户多次尝试才能达到比较令人满意的结果。本文采用了一种新的异常轨迹判断方法:通过检测每条轨迹中的异常点,计算由这些异常点组成的异常轨迹分段的长度占一条轨迹的比例来判断轨迹是否异常。同时提出了一种基于SR树索引的异常轨迹检测算法Trajps_TOD,该算法使用欧式距离来度量轨迹点之间的距离。实验结果表明该算法能够有效的检测出异常轨迹同时减少了输入参数的个数,优化了参数选择过程。