基于数据挖掘技术的出租车轨迹异常分析研究

《基于数据挖掘技术的出租车轨迹异常分析研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP3910710-2015524042硕士学位论文基于数据挖掘技术的出租车轨迹异常分析研究耿凯导师姓名职称丁爱玲教授申请学位类别硕士研究生学科专业名称交通运输工程论文提交日期2018年5月5日论文答辩日期2018年6月8日学位授予单位长安大学ResearchonAbnormalTrajectoryDetectionofTaxiBasedonDataMiningTechnologyAThesisSubmittedfortheDegreeofMasterCandidate：GengKaiSup

2、ervisor：Prof.DingAilingChang’anUniversity,Xi’an,China摘要随着智能交通技术与数据挖掘技术的不断发展，基于数据挖掘技术的出租车轨迹异常分析研究是实现现代交通智能化监测的重要途径和方法，以便自动检测车辆行驶过程中的一些异常行为并对驾驶员发出警报。当下对于时空数据异常检测主要有两种不同层次：1）出租车运行轨迹异常；2）交通状况异常。本文针对出租车运行途中的异常行为进行了深入的研究，论文将从这两个层面上分别进行异常检测。但由于数据量大、特征不明显和易受干扰

3、等特点，对数据挖掘方法提出了挑战。基于上述分析，本文充分利用了轨迹的不同特征信息，对两个不同层次的异常分别提出了切实可行的异常检测方法，主要内容包括：一、车辆轨迹处理与地图匹配。论文首先对采集的数据进行筛选分析，从GPS数据中预处理得到出租车行驶轨迹，从GPS原始数据中通过滤波、筛选等操作，提取出有效的经纬度、时间、航向等信息，结合道路路网信息，采用基于隐马尔科夫模型和基于方位角匹配的多模式融合方法将GPS轨迹点匹配到路网中的道路上。二、基于出租车GPS数据挖掘的交通状况异常检测。通过大量出租车GP

4、S轨迹体现整个交通运行状况的时空规律，对出租车异常行驶轨迹或者异常行驶路径等行为进行检测分析。本研究分析了交通流状况的表征参数，对交通状况异常的表示特征进行了选取，建立了交通异常状况检测模型及预测模型，其中提出了区域路段速度模型和改进了基于模糊C均值的模拟退火遗传算法模型对交通异常进行检测。将GPS轨迹数据的时空特征和驾驶员行为进行结合，对异常特征建立评价标准，提出了异常行为评价指标CE，与设定的轨迹异常阈值进行比较来判断路径选择行为的异常情况。最后从异常检测结果分析交通异常状况。最后，以西安市出租

5、车GPS数据为处理对象，验证本文提出的异常检测方法，并从检测准确率、召回率等方面对提出的各方法与该层次的经典算法进行对比分析。实验结果表明本文提出的方法可以高效、准确地检测出租车异常行为及交通异常行为。关键词：数据挖掘；路口序列；异常检测；轨迹聚类；多运动特征；时空特征IAbstractWiththedevelopmentofintelligenttransportationsystemanddataminingtechnology,taxitrajectoryanomalydetectionbas

6、edondataminingtechnologyisanimportantmethodforrealizingmoderntrafficintelligentmonitoring,soastoautomaticallydetectsomeabnormalbehaviorsintheprocessofvehicletravelandalertthedrivers.Currently,therearetwodifferentlevelsofspace-timedataanomaliesdetection

7、:1)abnormaltaxitrajectory;2)abnormaltrafficconditions.Thispaperconductsanin-depthstudyontheabnormalbehavioroftaxis.Thepaperwillcarryoutanomalydetectionmethodsfromthesetwolevels.However,duetothecharacteristicsoflargeamountofdata,inconspicuousfeatures,an

8、dsusceptibilitytointerference,dataminingmethodshavesomechallenged.Basedontheaboveanalysis,thispapermakesfulluseofthedifferentcharacteristicsofthetrajectory,andproposesapracticalanomalydetectionmethodforthreedifferentlevelsofanomalies.Th