云計算環(huán)境下基于時空異常的軌跡模式挖掘算法研究.pdf

1、近年來，隨著全球定位技術(shù)、無線通信以及電子數(shù)碼產(chǎn)品的發(fā)展，越來越多具有定位功能的車載設(shè)備和手持設(shè)備得到廣泛普及，使得人們能夠以較高時空分辨率記錄移動對象的位置信息，并且產(chǎn)生大量時空軌跡數(shù)據(jù)。時空軌跡異常檢測是時空軌跡模式挖掘中的一個重要研究內(nèi)容，可廣泛應(yīng)用于交通管理與監(jiān)測、動物遷徙分析與氣象預(yù)報、突發(fā)事件監(jiān)測等異常行為識別領(lǐng)域。為了解決海量時空軌跡的異常檢測問題，本文研究了云計算環(huán)境中基于時空異常的時空軌跡檢測算法，并利用Spark并行

2、編程框架實現(xiàn)了時空異常軌跡并行檢測算法，取得了如下研究成果。
　　1.提出了一種基于最小邊界盒的時空異常軌跡檢測算法STOD(Spatial-temporal Trajectory Outlier Detection)，該算法在考慮距離、方向、速度等軌跡特性的基礎(chǔ)上，通過對時空軌跡段構(gòu)建最小邊界盒MBB，并計算其異常指數(shù)來判斷是否為異常軌跡，從而實現(xiàn)了針對時空維度的異常軌跡檢測。同時，為了減少不必要的軌跡段相似性計算，提出了時空網(wǎng)

3、格索引以實現(xiàn)在時空維度中的區(qū)域查詢，從而減少了計算量，提高了算法的效率。
　　2.提出了一種基于軌跡點密度網(wǎng)格的時空異常軌跡檢測算法STODP(Spatial-temporal Trajectory Outlier Detection algorithm based on Point density grid)，該算法同時考慮了軌跡的方向和密度信息，并且可以檢測出每條完整軌跡上的最長連續(xù)異常子軌跡。同時，為了減少稀疏區(qū)域與稠密區(qū)域

4、在密度上的不平衡性所產(chǎn)生的影響，將時空網(wǎng)格索引與軌跡點密度網(wǎng)格相結(jié)合，提出了動態(tài)距離網(wǎng)格索引，不僅減少了計算量，還提高了檢測結(jié)果的有效性。
　　3.提出了基于上述兩種算法的并行挖掘算法PSTOD和PSTODP，利用Spark并行編程框架，將軌跡數(shù)據(jù)分發(fā)到各個節(jié)點，并讓集群中的多個計算節(jié)點同時檢測不同的軌跡，從而提高算法效率，實現(xiàn)對大規(guī)模的軌跡數(shù)據(jù)集進行異常軌跡并行檢測。在真實數(shù)據(jù)集上的實驗結(jié)果表明，隨著計算節(jié)點的增加，本文提出的算