11502

بررسي انواع روش‌هاي ناهنجارشناسي در داده‌هاي مكاني-زماني

1400

دكتر حسين رحماني

امروزه با پيشرفت سريع تكنيك‌هاي موقعيت‌يابي، داده‌هاي مكاني-زماني به طور گسترده‌اي در دسترس قرار گرفته‌اند؛ از اين رو، استخراج دانش ارزشمند از اين داده‌ها براي بسياري از برنامه‌هاي كاربردي در دنياي واقعي حائز اهميت است. انواع داده‌هاي مكاني-زماني عبارتند از رويداد، خط سير ، نقاط مرجع ، داده‌هاي شطرنجي و ويدئو. با توجه به انواع اين داده‌ها، قالب داده‌ها مي‌تواند به صورت نقطه، دنباله، گراف، ماتريس دو بعدي يا تنسور سه بعدي باشد. يكي از كاربردهاي ناهنجارشناسي در داده‌هاي مكاني-زماني تحليل رفتار رانندگان است. به طور كلي تشخيص ناهنجاري در داده¬هاي مكاني-زماني و تحليل آن‌ها مي‌تواند باعث كشف دانش ارزشمند درباره‌ي افراد، گروه‌ها و وقايع مختلف شود. به همين علت اين ناهنجارشناسي در زمينه‌هاي مختلف براي ما داراي اهميت است. از طرفي تعداد، حجم و دقت داده‌هاي مكاني-زماني به سرعت در حال افزايش است؛ از اين رو روش‌هاي سنتي داده¬كاوي مانند روش‌هاي مبتني بر آمار ديگر نمي‌توانند پاسخگوي نيازهاي كنوني بشر در تحليل داده‌هاي مكاني-زماني باشند. اين در حالي‌است كه مدل‌هاي يادگيري عميق در اين زمينه به موفقيت‌هاي قابل توجهي رسيده‌اند و به طور گسترده در كاربردهاي مختلفي از آن‌ها استفاده مي‌شود. با وجود تمام اين پيشرفت‌ها، هنوز چالش‌ها و محدوديت‌هاي زيادي مطرح است كه غلبه بر آن‌ها نيازمند توجه و تحقيق بيشتري مي‌باشد.

11/23/2022 12:00:00 AM

77098

1401/09/19

Survey of Spatio-Temporal Anomaly Detection Methods

داده‌هاي مكاني-زماني , تشخيص ناهنجاري , تحليل رفتار راننده , يادگيري‌ماشين

Spatio-Temporal Data , Anomaly Detection , Driver Behaviour Analysis , Machine Learning