基于DBSCAN聚类算法的异常轨迹检测

现有的异常轨迹检测算法往往侧重于检测轨迹的空域异常,忽略了对轨迹时域异常的检测,并且检测精确度不高,针对此类问题,提出了基于增强聚类的异常轨迹检测算法。首先,采用基于速度的最小描述长度(VMDL)准则把轨迹简化成有序线段;然后,使用改进的线段间的距离定义,基于DBSCAN算法把线段分为不同的类,以建模局部正常运动模式;最后,采用先检测空间异常性再检测时间异常性的二级检测算法,检测时空异常轨迹点。在多个测试集上的实验结果表明:该算法可以检测位置、角度、速度等三种时空异常轨迹点,相对于其他算法,明显提高了异常轨迹检测的精确度。

时空数据挖掘研究进展

近年来,随着全球定位系统、传感器网络和移动设备等的普遍使用,非时空数据和时空数据急剧增加,加之时空数据处理更为复杂,使数据处理任务日趋繁重的形势更加严峻.因此,寻找有效的时空数据挖掘方法具有十分重要的意义.针对这一背景,主要围绕时空模式发现、时空聚类、时空异常检测、时空预测、时空分类、时空数据挖掘与推理的结合等方面,对时空数据挖掘研究的现状进行了详细介绍,对其当前所面临的一些主要问题及可能的解决方案进行了探讨.

面向大数据的时空数据挖掘综述

时空数据挖掘是数据挖掘领域的前沿研究课题,正致力于开发和应用新兴的计算技术来分析海量、高维的时空数据,揭示时空数据中的有价值知识.本文以时空大数据为背景,介绍数据挖掘技术产生的背景与发展、时空数据挖掘的研究现状、研究内容、应用领域、面向大数据的时空数据挖掘系统架构以及实现技术,为相关领域的研究者提供参考.