原文传递
基于空时聚类的车辆轨迹流异常检测
| 论文题名： | 基于空时聚类的车辆轨迹流异常检测 |
| 关键词： | 车辆轨迹流异常检测;异常检测;边缘计算;轨迹流;滑动窗口 |
| 摘要： | 近年来，移动定位技术和移动通信系统蓬勃发展，各类移动终端设备广泛应用，并衍生出了大量基于移动对象位置信息的服务。位置信息中主要包括对象所处经纬度信息和时间戳，随着采集行为的持续，最终会形成规模庞大的复杂轨迹数据集，因此有必要对其进行数据挖掘，用以揭露隐藏在对象行为模式背后的规律。常用的数据挖掘技术包括：聚类分析，目的是将海量的轨迹数据划分成若干个具有相似移动趋势的簇；轨迹异常检测，目的是以特征轨迹为参照对移动对象轨迹流数据进行检测，从而遴选研究对象的行为异常。本文致力于设计一种基于轨迹空时聚类的车辆轨迹流异常检测方法，深度分析车辆轨迹数据，对轨迹流进行高效准确的异常检测。 传统的轨迹聚类算法（TraClus）仅基于对象的空间特征进行聚类，为了更好的分析移动对象的行为特征，在该算法模型的基础上本文轨迹聚类算法的整体思路为，首先将对象海量的历史轨迹进行简单的数据清洗，预处理完成后依据对象的时间标签采用高效的K-MEANS聚类算法进行聚类，接着在不同的时间簇中进行空间维度的轨迹聚类，使用带角度限制的轨迹划分策略降低算法的时间复杂度，并且引用了带离群点去除的聚类算法LDBSCAN算法，该算法结合了局部离群因子（LOF）和基于密度的空间聚类算法（DBSCAN）消除了离群样本点的影响，提高了聚类结果的准确性。 为了实现车辆轨迹流的异常检测，本文在车载边缘端设备开发了搭载轨迹流异常检测算法的应用，实现了数据分析结果的边缘计算。该方式通过高效利用系统级芯片（SoC）性能，在边缘设备上完成计算任务再上传至云服务器，减轻了数据传输的损耗以及服务器的计算压力。本文使用轨迹聚类算法得到对象移动的特征轨迹，以此为参照使用滑动窗口对移动目标进行轨迹流异常检测，最终提出了结合空间特征与时间特征的轨迹流异常检测模型，实现了对移动对象轨迹流异常的有效检测。 实验结果显示所提聚类算法有效缩减了数据处理的时间，提高了聚类的质量并使得聚类结果更加平滑。异常检测模型与车联网平台结合根据轨迹聚类分析的结果对车辆轨迹流的异常实现了有效的检测，并通过新采集的轨迹对异常检测模型进行更新提高了模型的可靠性。 |
| 作者： | 李宜霖 |
| 专业： | 电子与通信工程 |
| 导师： | 李晓辉;刘晓军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
