利用MapReduce的异常轨迹检测并行算法.pdfVIP

第17卷 第5 期 Vol. 17, No.5 2015 年5 月 May, 2015 利用MapReduce 的异常轨迹检测并行算法 * 唐梦梦，吉根林，赵 斌 (南京师范大学计算机科学与技术学院，南京210023) 摘要：异常轨迹检测是移动对象数据挖掘的一个重要研究领域。TRAOD （TRAjectory Outlier Dectection Algo- rithm ）算法是一种经典的异常轨迹检测算法，但它对于海量轨迹数据的异常检测效率低。为提高海量轨迹数据集 的异常检测效率，本文提出了一种利用MapReduce 的异常轨迹检测并行算法（Parallel algorithm for TRAjectory Outlier Detection, PTRAOD ），并在此基础上提出了网格索引的异常轨迹检测并行算法（Grid-based Parallel algo- rithm for TRAjectory Outlier Dectection, GPTRAOD ）。GPTRAOD 算法在PTRAOD 算法的基础上，利用网格索引 实现区域查询，进一步提高算法效率。将PTRAOD 算法和GPTRAOD 算法在Hadoop 平台上加以实现，结果表明： 本文提出的2 个并行检测算法，能实现异常轨迹的检测；GPTRAOD 算法的效率优于PTRAOD 算法；GPTRAOD 算 法具有较高的可扩展性和较好的加速比。 关键词：异常轨迹检测；网格索引；并行数据挖掘；MapReduce DOI:10.3724/SP.J. 1047.2015.00523 1 引言 法来检测异常轨迹；文献[15]提出了TRAOD （TRA- jectory Outlier Dectection Algorithm ）算法，该算法是 [16-17] 近年来，轨迹数据挖掘的研究引起了许多研究 异常轨迹检测的经典算法并已获得深入研究 。 人员的兴趣，包括轨迹的聚类、轨迹的伴随模式挖 TRAOD 算法采用划分和检测2 个阶段，并利用 掘、轨迹的频繁模式挖掘，以及异常轨迹检测等。 Hausdorff 距离的相似性度量思想来检测异常轨迹。 异常轨迹检测旨在从轨迹数据集合中找出严重偏 传统的异常轨迹检测算法已经不能满足挖掘 [18] [1-6] 海量轨迹数据的效率要求，以“云计算” 为代表的 离正常模式的对象 ，寻找这些异常模式可以为诸 多现实问题提供良好的决策支持。例如，在气象预 并行和分布式计算，为从大数据中挖掘知识提供了 测方面，预测飓风路径突然变化的原因，对提前发 可能。为了提高算法效率，本文提出了一种利用 出疏散指令起到至关重要的作用。 MapReduce[19-20] 的异常轨迹并行检测算法（Parallel 传统的异常点检测算法是用来检测数据