基于人工免疫的轨迹聚类和异常检测算法研究-计算机科学与技术专业论文.docxVIP

Nanjing University of Aeronautics and Astronautics The Graduate School College of Computer Science and Technology Research on Trajectory Clustering and Outlier Detection Based on Artificial Immune System A Thesis in Computer Science and Technology by Mingyu Yao Advised by Professor Dechang Pi Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Engineering December, 2011 承诺书 本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进 行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容外， 本学位论文的研究成果不包含任何他人享有著作权的内容。对本论文所 涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确方式标 明。 本人授权南京航空航天大学可以有权保留送交论文的复印件，允许 论文被查阅和借阅,可以将学位论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或其他复制手段保存论文。 （保密的学位论文在解密后适用本承诺书） 作者签名： 日 期： 南京航空航天大学硕士学位论文 南京航空航天大学硕士学位论文 基于人工免疫的轨迹聚类和异常检测算法研究 基于人工免疫的轨迹聚类和异常检测算法研究 i i PAGE PAGE iv 摘 要 随着各种无线通信网络和 GPS 传感器网络的不断发展，各种移动对象的轨迹数据大量地被 收集，这些数据中隐藏了很多有用的知识，因此，非常有必要对这些数据进行有效的挖掘和分 析。移动对象轨迹聚类能够从大量的轨迹中提取共同的轨迹模式，可以分析移动对象的共同行 为；轨迹异常检测能够发现位置和方向上的异常轨迹，这些轨迹可能是需要研究的新现象。 人工免疫作为一种新兴的优化算法已经越来越多地被研究，它是人工智能领域中重要的理 论之一，将它的特性用到数据挖掘算法中，提升算法性能，并作为移动对象数据挖掘的方法， 这在移动对象挖掘领域还是刚起步，它的研究和应用前途十分光明。本文主要工作如下： （1）分析 TRACLUS 轨迹聚类算法，发现对输入的密度阈值和距离阈值参数较敏感，也 就是说不同的参数组合使得聚类结果差异很大，尤其重要的是轨迹线段是高维数据，更加扩大 了参数的影响因子；另外，由于轨迹线段的距离是近似描述两者的位置关系，所以影响了聚类 质量。这些缺陷一定程度上限制了 TRACLUS 算法的应用。为此，将基于人工免疫的密度聚类 算法引入到移动对象轨迹挖掘，提出了 AIBTC 算法；该算法将核心轨迹线段看作抗体，不断通 过克隆和变异更新抗体，发现 TRACLUS 算法忽视的部分轨迹簇。实验表明，在保证运行时间 增加不多的同时，AIBTC 算法能够获取更好的聚类结果。 （2）由于 TRAOD 轨迹异常检测算法采用粗粒度划分和细粒度划分两个步骤分割一条轨 迹，虽然通过第一步剪枝了不少细粒度线段的计算，但是轨迹数量庞大，所以算法的执行时间 会较多；另外，每两条粗粒度的轨迹分段都需计算它们之间的垂直距离、平行距离、角度距离 的上界值和下界值，尤其是角度距离，其计算公式复杂，计算量庞大。为此，将人工免疫理论 引入轨迹异常检测，并设计了基于人工免疫的轨迹异常检测算法 AIBTOD。算法只进行一次划 分，将疑似异常线段的对象看做抗体，不断进行克隆和变异，得到的最终 n 个最佳抗体即为解。 实验表明，AIBTOD 算法不仅保证了异常检测质量，同时还具有较高的执行效率。 关键词：移动对象，人工免疫，轨迹聚类，异常检测，数据挖掘 ABSTRACT With the development of all kinds of wireless communication network and GPS sensor network, the volume of trajectory data continues to increase. It becomes urgent to extract hidden information from these data through effective analysis. Moving object trajectory clustering technology can extract common feature pattern fro