隨著無(wú)線通信技術(shù)、定位技術(shù)以及傳感器技術(shù)的不斷成熟,時(shí)空軌跡數(shù)據(jù)的獲取變得越來(lái)越容易。時(shí)空軌跡數(shù)據(jù)是由一系列包含位置、時(shí)間、速度、航向等信息的軌跡點(diǎn)組成,蘊(yùn)含著移動(dòng)對(duì)象豐富的時(shí)空動(dòng)態(tài)信息,不僅刻畫(huà)了移動(dòng)對(duì)象的行為模式與活動(dòng)規(guī)律,還揭示了事物演化的內(nèi)在機(jī)理。通過(guò)數(shù)據(jù)挖掘,來(lái)發(fā)現(xiàn)隱藏在軌跡數(shù)據(jù)中有價(jià)值的規(guī)律和知識(shí),可以廣泛地服務(wù)于活動(dòng)推薦、城市規(guī)劃、公共安全、國(guó)防軍事等諸多領(lǐng)域,因此有著重要的研究?jī)r(jià)值和意義。在此背景下,本文研究了面向軌跡數(shù)據(jù)的行為挖掘技術(shù),主要內(nèi)容如下:（1）軌跡數(shù)據(jù)質(zhì)量提升模型研究。提出了一種軌跡數(shù)據(jù)關(guān)聯(lián)算法,該方法引入了軌跡特征向量的余弦相似性,較好地解決了長(zhǎng)時(shí)中斷軌跡的關(guān)聯(lián)問(wèn)題;提出了一種保留特征點(diǎn)的自適應(yīng)軌跡壓縮算法,該方法利用壓縮比自動(dòng)控制壓縮距離閾值,在壓縮軌跡的同時(shí)也能保持軌跡的整體輪廓。（2）基于深度學(xué)習(xí)的異常行為檢測(cè)。提出了基于變分自編碼網(wǎng)絡(luò)的軌跡異常檢測(cè)算法,該方法以GRU為編碼和解碼基本單元,以重建概率為異常分值,同時(shí)引入疑似異常占比來(lái)自適應(yīng)調(diào)整異常判斷閾值。在仿真測(cè)試集上,該異常檢測(cè)算法的準(zhǔn)確率和召回率均高于90%,并且實(shí)時(shí)檢測(cè)效率高,預(yù)計(jì)能夠滿足... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 軌跡關(guān)聯(lián)和壓縮
        1.2.2 異常行為檢測(cè)
        1.2.3 軌跡聚類算法
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)介紹
    2.1 軌跡數(shù)據(jù)預(yù)處理
        2.1.1 數(shù)據(jù)分析
        2.1.2 數(shù)據(jù)整理
        2.1.3 軌跡關(guān)聯(lián)
        2.1.4 軌跡壓縮
        2.1.5 軌跡分段
    2.2 深度學(xué)習(xí)技術(shù)
    2.3 聚類算法介紹
    2.4 本章小結(jié)
第三章 軌跡數(shù)據(jù)質(zhì)量提升模型研究
    3.1 模型框架
    3.2 相關(guān)定義
    3.3 軌跡數(shù)據(jù)關(guān)聯(lián)與融合算法
        3.3.1 算法流程
        3.3.2 算法詳細(xì)介紹
    3.4 保留特征點(diǎn)的自適應(yīng)軌跡壓縮算法
        3.4.1 軌跡特征點(diǎn)的判斷
        3.4.2 自適應(yīng)參數(shù)的軌跡壓縮
    3.5 實(shí)驗(yàn)與結(jié)果分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)制作
        3.5.2 軌跡關(guān)聯(lián)結(jié)果分析
        3.5.3 軌跡壓縮結(jié)果分析
    3.6 本章小結(jié)
第四章 基于深度學(xué)習(xí)的異常行為檢測(cè)
    4.1 基于自編碼網(wǎng)絡(luò)的軌跡異常檢測(cè)
        4.1.1 自編碼模型
        4.1.2 異常檢測(cè)
    4.2 基于變分自編碼網(wǎng)絡(luò)的軌跡異常檢測(cè)
        4.2.1 變分自編碼模型
        4.2.2 異常檢測(cè)
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)制作
        4.3.2 模型設(shè)置
        4.3.3 結(jié)果分析
    4.4 本章小結(jié)
第五章 基于聚類算法的常規(guī)行為挖掘
    5.1 總體模型框架
    5.2 算法詳細(xì)介紹
        5.2.1 軌跡距離度量
        5.2.2 CFSFDP聚類算法
        5.2.3 CFSFDP算法改進(jìn)
        5.2.4 聚類結(jié)果精煉
    5.3 實(shí)驗(yàn)與結(jié)果分析
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)制作
        5.3.2 實(shí)驗(yàn)設(shè)置
        5.3.3 結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]時(shí)空軌跡頻繁模式在反恐情報(bào)分析中的應(yīng)用研究[J]. 李勇男.  情報(bào)雜志. 2018(08)
[2]軌跡大數(shù)據(jù):數(shù)據(jù)處理關(guān)鍵技術(shù)研究綜述[J]. 高強(qiáng),張鳳荔,王瑞錦,周帆.  軟件學(xué)報(bào). 2017(04)
[3]Argos系統(tǒng)的發(fā)展現(xiàn)狀與趨勢(shì)[J]. 宋飛,馮旭哲.  海洋預(yù)報(bào). 2012(06)
[4]多目標(biāo)多傳感器模糊雙門(mén)限航跡相關(guān)算法[J]. 何友,彭應(yīng)寧,陸大.  電子學(xué)報(bào). 1998(03)
[5]多傳感器數(shù)據(jù)融合系統(tǒng)中兩種新的航跡相關(guān)算法[J]. 何友,陸大,彭應(yīng)寧,高志永.  電子學(xué)報(bào). 1997(09)
[6]一種多目標(biāo)多傳感器航跡相關(guān)算法[J]. 何友,彭應(yīng)寧.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 1997(09)

碩士論文
[1]基于移動(dòng)時(shí)空軌跡的路網(wǎng)熱點(diǎn)區(qū)域挖掘系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 陳婷.電子科技大學(xué) 2019
[2]基于數(shù)據(jù)挖掘技術(shù)的出租車軌跡異常分析研究[D]. 耿凱.長(zhǎng)安大學(xué) 2018
[3]基于時(shí)空約束的城市熱點(diǎn)區(qū)域與熱點(diǎn)路徑挖掘[D]. 趙欣.重慶大學(xué) 2017



本文編號(hào)：3198338