-
题名基于改进密度聚类与模式信息挖掘的异常轨迹识别方法
被引量：12
- 1
-
-
作者
何明
仇功达
周波
柳强
曹玉婷
-
机构
陆军工程大学指挥控制工程学院
解放军第
海军指挥学院
-
出处
《通信学报》
EI
CSCD
北大核心
2017年第12期21-33,共13页
-
基金
江苏省自然科学基金资助项目(No.BK20150721
No.BK20161469)
+5 种基金
中国博士后基金资助项目(No.2015M582786
No.2016T91017)
江苏省重点研发计划基金资助项目(No.BE2015728
No.BE2016904)
江苏省科技基础设施建设计划基金资助项目(No.BM2014391)
国家重点研发计划基金资助项目(No.2016YFC0800606)~~
-
文摘
针对社会安全事件中异常行为信息识别挖掘难等问题,提出一种基于改进密度聚类与模式信息挖掘的异常轨迹识别方法。首先,针对采样问题,结合Hausdorff距离思想重新定义一种改进型DTW距离,用于描述轨迹具体行为,而MBR距离下的延伸定义,则用于描述轨迹覆盖区域热度。其次,在CFSFDP算法的密度关联与决策模型下,基于支持向量机回归(SVR,support vector regression)提出了特定支持向量机回归(SSVR,specific support vector regression),利用针对性改良下的回归差异非线性识别类中心,实现类的智能识别。最后,通过2种密度下的类识别,实现更多异常模式信息的挖掘与3种异常轨迹识别。结合上海市与北京市出租车轨迹集进行了仿真实验与数据分析,验证了算法在轨迹聚类异常识别方面的有效性。与传统方法相比,类发现能力提高了10%,异常轨迹信息得以区别与丰富。
-
关键词
支持向量机回归
密度聚类
异常轨迹识别
模式信息挖掘
-
Keywords
SVR, density clustering, abnormal trajectory detection, pattern information mining
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
