10.11959/j.issn.1000-436x.2017287
基于改进密度聚类与模式信息挖掘的异常轨迹识别方法
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.
支持向量机回归、密度聚类、异常轨迹识别、模式信息挖掘
38
TP301(计算技术、计算机技术)
江苏省自然科学基金资助项目BK20150721,BK20161469;中国博士后基金资助项目2015M582786,2016T91017;江苏省重点研发计划基金资助项目BE2015728,BE2016904;江苏省科技基础设施建设计划基金资助项目BM2014391;国家重点研发计划基金资助项目No.2016YFC0800606The Natural Science Foundation of Jiangsu ProvinceBK20150721,BK20161469;China Postdoctoral Science Foundation2015M582786,2016T91017;The Primary Research & Development Plan of Jiangsu ProvinceBE2015728,BE2016904;The Engineering Research Center of Jiangsu ProvinceBM2014391;The National Key Re-search and Development Program of China2016YFC0800606
2018-01-19（万方平台首次上网日期，不代表论文的发表时间）
共13页
21-33
