移动对象轨迹时空异常检测算法研究

目录

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于距离的方法

1.2.2 基于密度的方法

1.2.3 基于分类的方法

1.2.4 基于聚类的方法

1.2.5 基于统计的方法

1.2.6 基于流式数据的方法

1.3 本文研究内容

1.4 本文组织结构

1.5 本章小结

2 移动对象轨迹异常检测相关研究

2.1 轨迹异常检测概述

2.2 轨迹异常检测算法分类

2.2.1 基于距离的算法

2.2.2 基于密度的算法

2.2.3 基于模式挖掘的算法

2.2.4 基于机器学习的算法

2.3.1 轨迹相关定义

2.3.2 距离（相似度）计算

2.3.3 常用数据集

2.4 数据预处理

2.4.1 数据清洗

2.4.2 轨迹数据缺失点补全

2.4.3 轨迹数据简化

2.5 评价标准

2.6 本章小结

3 融合特征熵的轨迹结构异常检测

3.1 引言

3.2 基于线性回归的轨迹划分

3.3 轨迹结构距离计算

3.3.1 位置距离比较

3.3.2 速度距离比较

3.3.3 角度距离比较

3.4 特征权重选择

3.4.1 建立关系矩阵

3.4.2 标准化处理

3.4.3 计算特征熵

3.4.4 计算权重

3.5 轨迹片段聚类

3.6 轨迹结构异常检测

3.7.1 实验数据与环境

3.7.2 算法参数分析

3.7.3 人造轨迹数据集实验结果分析

3.7.4 北大西洋飓风数据集实验结果分析

3.7.5 动物迁徙数据集实验结果分析

3.8 本章小结

4 基于深度表示的无监督轨迹异常检测

4.1 引言

4.2 基于开放角的轨迹划分

4.3 特征提取与转换

4.3.1 浅层特征序列提取

4.3.2 深度特征融合

4.4 基于无监督学习的特征序列聚类

4.4.1 距离计算方法

4.4.2 特征序列聚类方法

4.5 相似指数分布异常检测

4.6.1 实验数据与环境

4.6.2 算法参数分析

4.6.3 人造轨迹数据集实验结果分析

4.6.4 北大西洋飓风轨迹数据集实验结果分析

4.7 本章小结

5 轨迹异常检测原型系统设计与实现

5.1.1 原型系统结构框架

5.1.2 原型系统设计思路

5.1.3 原型系统运行环境

5.2 原型系统主要模块构建

5.2.1 数据预处理模块设计

5.2.2 融合特征熵的轨迹结构异常检测模块设计

5.2.3 基于深度表示的无监督轨迹异常检测模块设计

5.2.4 可视化数据分析模块设计

5.3 原型系统开发与实现

5.3.1 数据预处理模块

5.3.2 融合特征熵的轨迹结构异常检测模块实现

5.3.3 基于深度表示的无监督轨迹异常检测模块实现

5.4 系统小结

6 总结与展望

6.1 总结

6.2 未来研究工作

参考文献

作者简历

学位论文原创性声明

学位论文数据集