基于信令数据交通出行分布异常检测.docVIP

基于信令数据交通出行分布异常检测 　　【摘 要】交通出行分布异常检测主要是通过判断交通的密度进行实时预警，以便交通部门能够快速发现问题、解决问题。首先基于大量移动用户的信令数据，利用DBSCAN算法进行交通出行异常检测，随后通过实验证明所用方法在交通出行的异常检测领域的良好时效性。 　　【关键词】 　　交通出行分布 异常检测 DBSCAN 　　1 引言 　　基于信令数据在交通领域的挖掘应用具有很大价值，由于目前智能移动终端的渗透率越来越高，因此移动信令的数据包含了用户的出行行为特征、出行时间及出行地点等信息。这些信息不仅能够用来分析用户的出行偏好和出行方式，还可以预测用户的出行时间分布，为交通部门、城市规划部门提供巨大的参考意义。基于信令数据的交通出行分布异常检测的方法不仅能够轻量级反映用户的出行分布规律以及出行异常情况，大大提高城市交通部门的信息化水平，而且能够节省城市交通部门昂贵的硬件支出与维护，因此受到了越来越多研究者的关注。 　　2 异常检测的方法 　　异常检测又叫偏差检测，其目的是把不满足一定分布或者反常的对象找出来，以达到管理异常对象的目的。异常检测的方法有以下5种： 　　（1）基于分布的方法 　　基于异常分布的方法的原理是通过分析整个数据集的分布规律，例如二项分布、泊松分布或正态分布等，利用概率等原理发现一些分布不一致的数据。该方法的优点是具有较高的异常检测效率，但缺点就是使用者很难确定数据集的分布。 　　（2）基于深度的方法 　　基于深度的方法的原理是通过把数据映射到数据集的K维向量中，然后赋给数据一个深度值，最后利用异常检测的方法把深度较小的值找出来。该方法的优点是可以计算高维数据的异常性，缺点是该算法随着数据维度的增大计算复杂度迅速增加，导致检测效率大大降低。 　　（3）基于距离的方法 　　基于距离的方法的原理是通过计算1个点O在一定距离D内的数量，如果数量小于某一个阈值，则判定O点为异常点。该算法的优点是容易使用，在实际场景使用较多，但缺点也很明显：对线性分布的数据异常检测的准确性很低。 　　（4）基于聚类的方法 　　基于聚类的方法的原理是通过对相似性的计算，找出数据集中不同的类簇，对小类簇进行判别从而得出异常对象。该算法的优点是不需要考虑数据的分布以及聚类的种类，适用于海量数据的检测，缺点是由于利用相似性进行数据的度量，因此处理高维数据时效率相对较低。 　　（5）基于密度的方法 　　基于密度的方法的原理是通过测量给定范围的密度，如果该密度超出一定阈值，那么可以认定该范围是异常区域。该算法的优点是计算简单，能够很好处理不同密度的区域，缺点是计算复杂度很高，对于高维数据的计算效率相对较低。 　　3 基于空间密度聚类方法进行交通出行 　　分布异常检测 　　基于空间密度聚类方法进行交通出行分布异常检测主要解决的技术问题是如何利用移动运营商一系列的信令数据进行分析挖掘，从而识别交通出行分布的异常，通过结合移动通信技术和大数据挖掘技术，使得交通部门及城市建设规划部门能够降低分析用户出行状态的成本，通过用户出行的规律间接反映城市道路交通结构的合理性，为智慧交通的建设提供很好的支撑作用。 　　3.1 DBSCAN算法的介绍 　　DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）的基本原理是：对于簇中的每一个点，在设定的半径范围内至少包括设定数据的点。该算法把具有足够密度的区域划分成一类，优点是对于带“噪音”的空间数据可以发现任何形状的聚类，聚类速度很快。 　　3.2 基于DBSCAN算法的交通出行分布异常检测 　　过程 　　（1）通过小区切换法识别道路上的用户 　　拥有智能手机的用户在道路上发生语音或者数据业务的时候，信令会记录用户在连续多个小区发生的小区切换，如果一个用户在一段时间内连续发生多个小区切换的现象，则认为该用户的地理位置在道路上。表1是通过对信令数据提取的字段表： 　　（2）基于手机信令的用户定位 　　1）路测方式获得用户定位的信息库 　　本文首先把道路划分成一个30m×30m的网格，然后利用路测方式确定每一个网格可能接收到的小区数量以及相应的场强，建立小区-网格定位的位置信息库。 　　2）位置信息库匹配定位的过程 　　信息库定位算法最大特点就是仅仅通过小区就能实现用户的定位，无需增加额外的设备。位置识别依靠表征目标特征的数据库进行，其定位过程主要包括训练阶段和定位阶段，具体如下： 　　◆训练阶段的目标在于建立一个位置信息识别数据库。首先选择参考点分布，确保能为定位阶段的准确位置估计提供足够的信息。接着依次在各个参考点上测量来自