排序方式: 共有8条查询结果,搜索用时 218 毫秒
1
1.
2.
3.
传感器技术的飞速发展催生了大量交通轨迹数据,轨迹异常检测在智慧交通、城市规划、道路监控等领域具有重要的应用价值。针对传统基于距离和有监督机器学习异常检测方法提取有效特征困难、容易出现过拟合、异常检测效果差等问题,提出了一种基于轨迹重构误差的无监督异常检测方法。该方法使用基于循环神经网络的自编码器对输入轨迹进行重构,通过最小化重构输出和原始输入之间的差异,使模型学习正常轨迹的运动特征。重构误差大于异常阈值的轨迹被判定为异常轨迹。为了避免人工标注异常,利用数据驱动的交通模拟方法,合成了包含不同异常类型的轨迹数据。基于交通轨迹标注数据的实验结果表明,该方法的异常检测性能在各项指标上显著优于传统基于距离的方法以及机器学习分类算法,验证了该无监督方法的有效性和实用性。 相似文献
4.
5.
传感器技术的飞速发展催生大量交通轨迹数据,轨迹异常检测在智慧交通、自动驾驶、视频监控等领域具有重要的应用价值.不同于分类、聚类和预测等轨迹挖掘任务,轨迹异常检测旨在发现小概率、不确定和罕见的轨迹行为.轨迹异常检测中一些常见的挑战与异常值类型、轨迹数据标签、检测准确率以及计算复杂度有关.针对上述问题,全面综述近20年来轨迹异常检测技术的研究现状和最新进展.首先,对轨迹异常检测问题的特点与目前存在的研究挑战进行剖析.然后,基于轨迹标签的可用性、异常检测算法原理、离线或在线算法工作方式等分类标准,对现有轨迹异常检测算法进行对比分析.对于每一类异常检测技术,从算法原理、代表性方法、复杂度分析以及算法优缺点等方面进行详细总结与剖析.接着,讨论开源的轨迹数据集、常用的异常检测评估方法以及异常检测工具.在此基础上,给出轨迹异常检测系统架构,形成从轨迹数据采集到异常检测应用等一系列相对完备的轨迹挖掘流程.最后,总结轨迹异常检测领域关键的开放性问题,并展望未来的研究趋势和解决思路. 相似文献
6.
7.
8.
1