基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析

S基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析D1問題提出2數(shù)據(jù)與方法3出租車異常軌跡模式發(fā)現(xiàn)4事件檢測(cè)與分析5異常聚集行為發(fā)現(xiàn)6小結(jié)基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析城市交通管理、公共安全……1問題提出基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析研究意義泛地理信息時(shí)代軌跡數(shù)據(jù)、手機(jī)信令、社交媒體、交通刷卡…軌跡數(shù)據(jù)分析智慧應(yīng)用/管理思考尋常移動(dòng)行為模式異常移動(dòng)行為信息事件異常軌跡檢測(cè)與分析軌跡數(shù)據(jù)關(guān)鍵問題0、軌跡數(shù)據(jù)及研究方法1、出租車異常軌跡模式發(fā)現(xiàn)2、基于出行量的事件檢測(cè)與分析3、基于出行量和出行位置空間分布特征的異常聚集行為發(fā)現(xiàn)曲線的時(shí)空特征軌跡點(diǎn)的數(shù)量特征和時(shí)空特征

軌跡點(diǎn)的數(shù)量特征、時(shí)空特征及空間分布特征軌跡的特征采樣點(diǎn)的集合

曲線語(yǔ)義位置序列移動(dòng)時(shí)空范圍

2數(shù)據(jù)和方法軌跡數(shù)據(jù)分類數(shù)據(jù)量龐大、覆蓋范圍廣泛、更新速度快軌跡的組成軌跡數(shù)據(jù)處理的方式多樣基于時(shí)間采樣的軌跡數(shù)據(jù)基于事件觸發(fā)采樣的軌跡數(shù)據(jù)軌跡數(shù)據(jù)分析方法軌跡數(shù)據(jù)預(yù)處理：包括軌跡數(shù)據(jù)清洗、軌跡分段和地圖匹配。軌跡數(shù)據(jù)的知識(shí)提?。很壽E、人以及區(qū)域三個(gè)方面，將現(xiàn)有的研究粗略分為軌跡相似、軌跡模式挖掘和區(qū)域特征提取。聚類分析與異常檢測(cè)基于統(tǒng)計(jì)的異常檢測(cè)方法“k倍標(biāo)準(zhǔn)差”準(zhǔn)則、似然比檢驗(yàn)基于距離的異常檢測(cè)方法DB(p,D)-outlier，p為比例，D為距離異常檢測(cè)的核心問題不僅在于方法的設(shè)計(jì)，還在于檢測(cè)到的異常結(jié)果可解釋性，對(duì)于這個(gè)問題的研究，關(guān)鍵在于發(fā)現(xiàn)能顯著區(qū)別異常對(duì)象和正常對(duì)象的屬性特征，并在具體應(yīng)用中加以合理解釋。異常檢測(cè)的常用方法基于密度的異常檢測(cè)方法基于聚類的異常檢測(cè)方法聚類是發(fā)現(xiàn)數(shù)據(jù)中的多數(shù)模式，而異常檢測(cè)是挖掘顯著偏離多數(shù)模式的異常情況?；诿芏鹊腄BSCAN算法3出租車異常軌跡模式發(fā)現(xiàn)同一起終點(diǎn)范圍的移動(dòng)軌跡軌跡子軌跡軌跡片段行駛時(shí)間耗費(fèi)

時(shí)間異常軌跡空間異常軌跡標(biāo)準(zhǔn)軌跡時(shí)空異常軌跡StantardT-OutlierS-OutlierST-Outlierk取1.645異常分類與定義空間特征異常時(shí)間特征異常不屬于任何軌跡簇空間特征時(shí)間特征√√×√√×××t2t3t1t4基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析軌跡預(yù)處理1、候選軌跡集的提取2、軌跡分割與重構(gòu)θ>w處分割基于線段Hausdorff距離的軌跡空間相似性度量3出租車異常軌跡模式發(fā)現(xiàn)軌跡片段近鄰dist(Li，Lj)<

ε軌跡空間相似兩軌跡中互為近鄰的軌跡片段長(zhǎng)度和分別與兩軌跡長(zhǎng)度的比值最小值大于f異常軌跡模式發(fā)現(xiàn)（袁冠等，2011）權(quán)重系數(shù)：w⊥，w||，wθ基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析基于聚類和基于統(tǒng)計(jì)結(jié)合的異常軌跡檢測(cè)方法3出租車異常軌跡模式發(fā)現(xiàn)鄰域：空間相似軌跡集合鄰域密度：集合內(nèi)軌跡數(shù)目基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析3出租車異常軌跡模式發(fā)現(xiàn)舊金山出租車軌跡數(shù)據(jù)上下車點(diǎn)和候選軌跡的可視化線段距離權(quán)重系數(shù)：w⊥=0.8，w||=0.05，wθ=0.15軌跡空間相似判斷參數(shù)：ε=0.006，f=0.85鄰域密度閾值參數(shù)：MinTrs=10實(shí)驗(yàn)與分析實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備實(shí)驗(yàn)參數(shù)設(shè)置基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析3出租車異常軌跡模式發(fā)現(xiàn)實(shí)驗(yàn)與分析(a)TwoStandards(b)Outliers

(c)ST-outlier(d)推薦駕駛路線軌跡行駛時(shí)間分布時(shí)空、時(shí)間異常軌跡點(diǎn)序標(biāo)準(zhǔn)軌跡擇路行為分析空間異常軌跡個(gè)性化路線推薦空間或時(shí)空異常軌跡服務(wù)質(zhì)量評(píng)價(jià)時(shí)間或時(shí)空異常軌跡交通管控

基于聚類的出租車異常軌跡檢測(cè)，計(jì)算機(jī)工程，2017Vol.43(2):16-20

4事件檢測(cè)與分析一個(gè)區(qū)域的出租車上下客數(shù)量可以用于描述區(qū)域的人類行為活躍度利用統(tǒng)計(jì)模型識(shí)別數(shù)量特征概率上顯著偏離預(yù)期行為的區(qū)域和時(shí)間段分析大量事件的時(shí)空信息，探尋事件隨時(shí)間的發(fā)展趨勢(shì)和影響區(qū)域出行動(dòng)態(tài)dropoffs=<dk,hj,gidi,I>，gidi為子區(qū)域，dk為天粒度的時(shí)間戳，hi為第i個(gè)時(shí)間段，I表示流入量元事件單個(gè)區(qū)域出行動(dòng)態(tài)出現(xiàn)異常。表示為E=<d,h,gid,class,I>，其中class表示元事件類型（1表示聚集，-1表示稀疏）。元事件是用于事件分析的最小單元基于似然比檢驗(yàn)(LRT)的異常檢測(cè)方法零假設(shè)H0：觀測(cè)值服從零模型L0=f(x|θ)備擇假設(shè)H1：觀測(cè)值服從模型L1=f(x|θ’)檢驗(yàn)水平為α，其中θ’

是與θ相關(guān)的新參數(shù)P=(Λ,df)，若p>1-α，拒絕用零模型擬合觀測(cè)值，說明此數(shù)值在統(tǒng)計(jì)意義上是異常的。

相關(guān)定義4事件檢測(cè)與分析基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析麥迪孫廣場(chǎng)和唐人街的區(qū)域流入量時(shí)序分布實(shí)驗(yàn)數(shù)據(jù)元事件檢測(cè)實(shí)驗(yàn)2015年1月和2月的1.3萬量紐約黃色出租車出行數(shù)據(jù)，屬性信息包括出租車上車和下車日期、經(jīng)緯度坐標(biāo)、費(fèi)用和旅程距離等劃分為2166個(gè)人口普查區(qū)的紐約區(qū)域矢量數(shù)據(jù)工作日和周末有明顯的數(shù)值差異單個(gè)時(shí)間段流入量變化4事件檢測(cè)與分析基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析某日下午18：00下車點(diǎn)空間分布空間上部分區(qū)域數(shù)據(jù)稀疏4事件檢測(cè)與分析基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析檢測(cè)對(duì)象：420個(gè)區(qū)域以及42個(gè)工作日24個(gè)時(shí)段的流入量統(tǒng)計(jì)數(shù)據(jù)檢測(cè)基準(zhǔn)：各個(gè)時(shí)段過濾異常值后的樣本數(shù)據(jù)均值和方差值構(gòu)建的高斯分布檢驗(yàn)水平：0.05主要事件：1月1日、2日（新年）

2月13日（情人節(jié)前一天）

2月19日、20日（春節(jié)）元事件檢測(cè)實(shí)驗(yàn)1月19日（馬丁路德金日）1月26日、27日（暴雪）2月16日（總統(tǒng)日）元事件個(gè)數(shù)逐日變化4事件檢測(cè)與分析基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析元事件時(shí)空特征分析元事件統(tǒng)計(jì)分析復(fù)合時(shí)空事件的提取與分析事件過程分析事件影響分析類DBSCAN方法提取關(guān)鍵信息4事件檢測(cè)與分析基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析元事件統(tǒng)計(jì)分析聚集元事件月流入量與事件個(gè)數(shù)對(duì)比圖聚集元事件的空間分布日聚集和日稀疏元事件個(gè)數(shù)變化趨勢(shì)元事件時(shí)空特征分析實(shí)驗(yàn)4事件檢測(cè)與分析基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析元事件統(tǒng)計(jì)分析1月1日元事件區(qū)域個(gè)數(shù)變化趨勢(shì)大雪期間稀疏元事件區(qū)域個(gè)數(shù)變化趨勢(shì)大雪期間大氣能見度變化、暴雪期間空間影響范圍變化過程事件過程分析實(shí)驗(yàn)1/2614時(shí)刻1/2615時(shí)刻1/2618時(shí)刻1/2715時(shí)刻基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析元事件規(guī)模元旦和總統(tǒng)日兩天的活動(dòng)對(duì)所有區(qū)域的聚集元事件規(guī)模總和分別為101747和29955節(jié)日對(duì)城市影響存在空間差異性，有助于了解城市內(nèi)不同類型地塊的分布事件影響分析實(shí)驗(yàn)元旦和總統(tǒng)日兩個(gè)節(jié)假日（1月1日和2月16日）為例，來分析其對(duì)420個(gè)區(qū)域的影響差異經(jīng)過統(tǒng)計(jì)，420個(gè)區(qū)域在這一天分化為四種影響模式：82個(gè)區(qū)域不受影響，68個(gè)區(qū)域僅受負(fù)面影響，114個(gè)區(qū)域僅受正面影響，156個(gè)區(qū)域受到了正負(fù)面影響。黃色區(qū)域分布在曼哈頓城區(qū)內(nèi)；藍(lán)色區(qū)域分布在多個(gè)博物館、富豪住宅集聚的上城東（中央公園東側(cè)），這一天博物館未對(duì)外開放；黑色區(qū)域主要分布在曼哈頓中城、格林威治村、西村、格拉梅西村、蘇活區(qū)、上城西、中央公園以及下城西等區(qū)域，主要的金融機(jī)構(gòu)（如華爾街證券交易所）和辦公機(jī)構(gòu)（如紐約市政府大廳、紐約大學(xué)）都集中在此區(qū)域內(nèi)，受節(jié)日放假的影響，前往此區(qū)域的人群數(shù)量在上班高峰期（7點(diǎn)至10點(diǎn)）明顯減少，但同時(shí)這些區(qū)域也聚集了許多商店和服務(wù)業(yè)，因而在其余時(shí)間吸引了比平時(shí)更多的人群；紅色區(qū)域主要分布在東村、下城東、小意大利村、唐人街、切爾西區(qū)等區(qū)域，由于沒有出現(xiàn)流入量減少的情況，因此和黑色區(qū)域相比，此區(qū)域以商業(yè)娛樂為主。4事件檢測(cè)與分析基于出租車軌跡數(shù)據(jù)的異常事件檢測(cè)與分析復(fù)合時(shí)空事件的提取與分析對(duì)于兩個(gè)元事件：E1=<d1,h1,gid1,class1,I1>，E2=<d2,h2,gid2,class2,I2>若滿足以下三個(gè)條件之一可以將其組合：（1）d1與d2相同，h1與h2相鄰，class1與class2相同，gid1與gid2相同；（2）d1與d2相鄰，h1與h2相同，class1與class2相同，gid1與gid2相同。（3）d1與d2相同，h1與h2相同，class1與class2相同，gid1與gid2相鄰。同一區(qū)域內(nèi)同一時(shí)刻的元事件至少有一個(gè)相鄰日期的近鄰?fù)粫r(shí)刻相鄰區(qū)域發(fā)生的元事件至少兩天日期相同時(shí)間上連續(xù)2天及2天以上的時(shí)空事件提取利用DBSCAN的密度連通策略從滿足條件（時(shí)空連續(xù)）的元事件集中提取時(shí)空事件提取關(guān)鍵信息

STE=<starttime,endtime,gids,centergid,totalscale>類DBSCAN方法鄰域判斷STE=<d1-h,d3-h,[r1,r2,r3],r1,totalscale>4事件檢測(cè)與分析復(fù)合時(shí)空事件的提取與分析春節(jié)事件starttimeendtimegidscentergidtotalscale2015-2-1819:002015-2-2020:009533336元事件信息dhgidIscalegidIscale2/1819:0014366627.6154953----2/1918:005127.05416421.236819:009859.61549942.657920:0010970.7949----2/2018:005733.05416623.236819:007334.615410144.657920:009253.7949----唐人街區(qū)域?qū)嶒?yàn)與分析基于位置點(diǎn)統(tǒng)計(jì)的時(shí)空異常檢測(cè)與分析，《測(cè)繪科學(xué)技術(shù)學(xué)報(bào)》，2017年第34卷第3期：320-3245異常聚集行為發(fā)現(xiàn)anni<1，判斷為聚集分布模式，值越小表示聚集程度越高弱化了局部空間區(qū)域內(nèi)點(diǎn)群空間分布對(duì)整體分布的影響對(duì)象p的局部可達(dá)距離聚集行為發(fā)現(xiàn)方法聚集行為區(qū)域位置點(diǎn)群平均最近鄰指數(shù)局部時(shí)間范圍內(nèi)位置點(diǎn)在局部空間發(fā)生聚集的現(xiàn)象第dk天時(shí)間段hj內(nèi)乘坐出租車到訪或離開區(qū)域gidi的上、下車點(diǎn)集合，表示為dropoffpoints=<dk,hj,gidi,{p1,p2,…,pn}>由所有位置點(diǎn)最鄰近距離平均值do與完全隨機(jī)分布下期望點(diǎn)對(duì)鄰近距離de的比值計(jì)算得到？參考k-最近鄰思想，計(jì)算p的k-距離鄰域改進(jìn)后的平均k最近鄰指數(shù)（aknni）5異常聚集行為發(fā)現(xiàn)k=1k=2k=3k=4點(diǎn)群10.4998050.6601960.8803161.064951點(diǎn)群20.4947070.692181.0030351.294138點(diǎn)群1點(diǎn)群2兩個(gè)點(diǎn)群在不同k值下的aknni值k值k=1k=2k=3k=4聚集分布比率89%81%56%8%不同k值下的聚集分布比率1月份下車點(diǎn)落入紐約矢量數(shù)據(jù)中區(qū)域標(biāo)識(shí)碼gid=2098區(qū)域的出租車出行記錄數(shù)據(jù)其外接矩形的經(jīng)度和緯度范圍分別為（-74.01，-73.996）和（40.742,40.76），紐約最大的會(huì)展中心——賈維茨會(huì)展中心位于此區(qū)域內(nèi)實(shí)驗(yàn)與分析實(shí)驗(yàn)數(shù)據(jù)×√點(diǎn)群1內(nèi)點(diǎn)個(gè)數(shù)為265，點(diǎn)群2內(nèi)點(diǎn)個(gè)數(shù)為276，人眼直觀視覺分析，點(diǎn)群1顯然比點(diǎn)群2要更加聚集。5異常聚集行為發(fā)現(xiàn)v1=[6,5,1,0,6,8,0,1,2,0,1,0,0,2,0,1]，v2=[1,0,1,0,0,2,1,0,0,2,6,5,1,0,6,8]，v3=[12,10,1,0,12,16,0,1,2,0,1,0,0,2,0,1](1)(2)(3)cosinedist<v1,v2>=0.2139，cosinedist<v1,v3>=0.9915，cosinedist<v2,v3>=0.1759（2）余弦距離計(jì)算向量間相似度將空間區(qū)域劃分成n*m的網(wǎng)格單元，統(tǒng)計(jì)位置點(diǎn)落在各個(gè)網(wǎng)格單元內(nèi)的點(diǎn)數(shù)，得到n*m維的向量（1）位置特征向量構(gòu)建用向量來描述位置點(diǎn)群的分布，簡(jiǎn)化了點(diǎn)與點(diǎn)的空間關(guān)系，從而提供了一個(gè)可便捷計(jì)算點(diǎn)群間相似度的模型。聚集行為模式分析與異常檢測(cè)位置點(diǎn)群的異常聚集行為檢測(cè)5異常聚集行為發(fā)現(xiàn)（3）聚集行為模式分析與異常檢測(cè)方法基于DBSCAN密度聚類的聚集行為模式分析方法

：聚類對(duì)象是聚集行為的發(fā)生時(shí)間，距離閾值衡量的是位置點(diǎn)群間的相似度，密度閾值表示滿足距離閾值的點(diǎn)群數(shù)量。0.001*0.001（度）基于LRT和基于距離的

常聚集行為

檢測(cè)位置點(diǎn)群的異常聚集行為發(fā)現(xiàn)框架流入量異常增加位置點(diǎn)群沒有足夠近鄰異常聚集行為05異常聚集行為發(fā)現(xiàn)下車點(diǎn)聚類結(jié)果上車點(diǎn)聚類結(jié)果class1class2class3class3class4class2class1出行模式聚集行為模式分析實(shí)驗(yàn)離散出行和聚集出行，各自都有明顯的時(shí)間分布特征事件觸發(fā)出行，比如工作日上下班事件、大型展覽活動(dòng)、休息日夜間娛樂等事件引起的聚集出行行為，而每類聚集行為模式都有相似的位置點(diǎn)空間分布特征相似度r和比例閾值p分別