基于人工免疫的軌跡聚類和異常檢測(cè)算法研究.pdf

1、隨著各種無(wú)線通信網(wǎng)絡(luò)和GPS傳感器網(wǎng)絡(luò)的不斷發(fā)展，各種移動(dòng)對(duì)象的軌跡數(shù)據(jù)大量地被收集，這些數(shù)據(jù)中隱藏了很多有用的知識(shí)，因此，非常有必要對(duì)這些數(shù)據(jù)進(jìn)行有效的挖掘和分析。移動(dòng)對(duì)象軌跡聚類能夠從大量的軌跡中提取共同的軌跡模式，可以分析移動(dòng)對(duì)象的共同行為；軌跡異常檢測(cè)能夠發(fā)現(xiàn)位置和方向上的異常軌跡，這些軌跡可能是需要研究的新現(xiàn)象。
　　人工免疫作為一種新興的優(yōu)化算法已經(jīng)越來(lái)越多地被研究，它是人工智能領(lǐng)域中重要的理論之一，將它的特性用到數(shù)據(jù)

2、挖掘算法中，提升算法性能，并作為移動(dòng)對(duì)象數(shù)據(jù)挖掘的方法，這在移動(dòng)對(duì)象挖掘領(lǐng)域還是剛起步，它的研究和應(yīng)用前途十分光明。本文主要工作如下：
　?。?）分析TRACLUS軌跡聚類算法，發(fā)現(xiàn)對(duì)輸入的密度閾值和距離閾值參數(shù)較敏感，也就是說(shuō)不同的參數(shù)組合使得聚類結(jié)果差異很大，尤其重要的是軌跡線段是高維數(shù)據(jù)，更加擴(kuò)大了參數(shù)的影響因子；另外，由于軌跡線段的距離是近似描述兩者的位置關(guān)系，所以影響了聚類質(zhì)量。這些缺陷一定程度上限制了TRACLUS算法

3、的應(yīng)用。為此，將基于人工免疫的密度聚類算法引入到移動(dòng)對(duì)象軌跡挖掘，提出了AIBTC算法；該算法將核心軌跡線段看作抗體，不斷通過(guò)克隆和變異更新抗體，發(fā)現(xiàn)TRACLUS算法忽視的部分軌跡簇。實(shí)驗(yàn)表明，在保證運(yùn)行時(shí)間增加不多的同時(shí)，AIBTC算法能夠獲取更好的聚類結(jié)果。
　?。?）由于TRAOD軌跡異常檢測(cè)算法采用粗粒度劃分和細(xì)粒度劃分兩個(gè)步驟分割一條軌跡，雖然通過(guò)第一步剪枝了不少細(xì)粒度線段的計(jì)算，但是軌跡數(shù)量龐大，所以算法的執(zhí)行時(shí)間會(huì)