【摘要】：現(xiàn)有的異常軌跡檢測(cè)算法往往側(cè)重于檢測(cè)軌跡的空域異常,忽略了對(duì)軌跡時(shí)域異常的檢測(cè),并且檢測(cè)精確度不高,針對(duì)此類問(wèn)題,提出了基于增強(qiáng)聚類的異常軌跡檢測(cè)算法。首先,采用基于速度的最小描述長(zhǎng)度(VMDL)準(zhǔn)則把軌跡簡(jiǎn)化成有序線段;然后,使用改進(jìn)的線段間的距離定義,基于DBSCAN算法把線段分為不同的類,以建模局部正常運(yùn)動(dòng)模式;最后,采用先檢測(cè)空間異常性再檢測(cè)時(shí)間異常性的二級(jí)檢測(cè)算法,檢測(cè)時(shí)空異常軌跡點(diǎn)。在多個(gè)測(cè)試集上的實(shí)驗(yàn)結(jié)果表明:該算法可以檢測(cè)位置、角度、速度等三種時(shí)空異常軌跡點(diǎn),相對(duì)于其他算法,明顯提高了異常軌跡檢測(cè)的精確度。
[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.
【作者單位】： 中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所;中國(guó)科學(xué)院大學(xué);航天恒星科技有限公司;中國(guó)科學(xué)院光電信息處理重點(diǎn)實(shí)驗(yàn)室;
【分類號(hào)】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

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,郭繼東,周水庚;Using Greedy algorithm: DBSCAN revisited II[J];Journal of Zhejiang University Science;2004年11期

3 蔡穎琨,謝昆青,馬修軍;屏蔽了輸入?yún)?shù)敏感性的DBSCAN改進(jìn)算法[J];北京大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年03期

4 宋明,劉宗田;基于數(shù)據(jù)交疊分區(qū)的并行DBSCAN算法[J];計(jì)算機(jī)應(yīng)用研究;2004年07期

5 熊忠陽(yáng),孫思,張玉芳,王秀瓊;一種基于劃分的不同參數(shù)值的DBSCAN算法[J];計(jì)算機(jī)工程與設(shè)計(jì);2005年09期

6 何中勝;劉宗田;莊燕濱;;基于數(shù)據(jù)分區(qū)的并行DBSCAN算法[J];小型微型計(jì)算機(jī)系統(tǒng);2006年01期

7 李杰;賈瑞玉;張璐璐;;一個(gè)改進(jìn)的基于DBSCAN的空間聚類算法研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2007年01期

8 馮少榮;肖文俊;;基于密度的DBSCAN聚類算法的研究及應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2007年20期

9 譚穎;胡瑞飛;殷國(guó)富;;多密度閾值的DBSCAN改進(jìn)算法[J];計(jì)算機(jī)應(yīng)用;2008年03期

10 馮少榮;肖文俊;;一種提高DBSCAN聚類算法質(zhì)量的新方法[J];西安電子科技大學(xué)學(xué)報(bào);2008年03期

相關(guān)會(huì)議論文 前7條

1 馬帥;宋國(guó)杰;唐世渭;楊冬青;王騰蛟;;基于單元?jiǎng)澐值腄BSCAN聚類算法[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2002年

2 朵春紅;王翠茹;;基于取樣的DBSCAN聚類算法及其遺傳優(yōu)化[A];第一屆中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集[C];2007年

3 龐洋;李海林;郭義喜;;基于DBSCAN算法的日志信息聚類研究[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

4 宮蕊;舒紅平;郭遠(yuǎn)遠(yuǎn);;基于DBSCAN的密度聚類算法的研究[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

5 張健沛;許慧;楊靜;崔洪晶;;基于數(shù)據(jù)分區(qū)、QR~*-樹的并行DBSCAN算法[A];2006北京地區(qū)高校研究生學(xué)術(shù)交流會(huì)——通信與信息技術(shù)會(huì)議論文集（下）[C];2006年

6 范曄;周水庚;曹晶;周傲英;;通過(guò)數(shù)據(jù)取樣擴(kuò)展基于密度的聚類算法[A];第十六屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集[C];1999年

7 曹晶;周水庚;范曄;周傲英;;數(shù)據(jù)分區(qū):一種改善基于密度的聚類算法的方法[A];第十六屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集[C];1999年

相關(guān)碩士學(xué)位論文 前10條

1 陸穎華;基于局部敏感哈希的DBSCAN算法研究[D];南京信息工程大學(xué);2015年

2 韓梅;基于改進(jìn)DBSCAN的復(fù)雜工業(yè)過(guò)程建模數(shù)據(jù)異常點(diǎn)檢測(cè)研究[D];天津工業(yè)大學(xué);2016年

3 劉聰;基于SPARK平臺(tái)的LAMOST早M型光譜聚類的研究[D];山東大學(xué);2016年

4 馮振華;基于DBSCAN聚類算法的研究與應(yīng)用[D];江南大學(xué);2016年

5 田路強(qiáng);基于DBSCAN的分布式聚類及增量聚類的研究與應(yīng)用[D];北京工業(yè)大學(xué);2016年

6 李宗林;基于DBSCAN的自適應(yīng)聚類算法研究[D];長(zhǎng)沙理工大學(xué);2015年

7 劉宏超;基于DBSCAN的文本聚類算法研究[D];江西財(cái)經(jīng)大學(xué);2016年

8 王實(shí)美;基于DBSCAN的自適應(yīng)非均勻密度聚類算法研究[D];北京交通大學(xué);2017年

9 羅啟福;基于云計(jì)算的DBSCAN算法研究[D];武漢理工大學(xué);2013年

10 吳林敏;針對(duì)非均勻數(shù)據(jù)集的DBSCAN過(guò)濾式改進(jìn)算法[D];重慶大學(xué);2009年

，

本文編號(hào)：2385228