18657

۱۸۶۵۷

روشي براي تشخيص و پيش‌بيني ناهنجاري در خط‌سير اشياء متحرك در شبكه‌ي راه‌ها

كارشناسي ارشد

نرم افزار

اسفند ۱۳۹۶

دكتر حسن نادري

كامپيوتر

تشخيص ناهنجاري‌هاي ميان خط‌سيرها يك مسئله‌ي مهم در حوزه‌ي نظارت است. ناهنجاري مي‌تواند يك رويداد باشد كه با يك الگوي قابل‌انتظار مطابقت ندارد؛ بحث تشخيص ناهنجاري به دو حوزه كلي تشخيص ناهنجاري يك خط‌سير و تشخيص ناهنجاري ميان يك مجموعه خط‌سير تقسيم مي‌شود. مسئله‌ي ديگري كه در حوزه ناهنجاري‌ها مي‌تواند مطرح شود، مسئله‌ي پيش‌بيني ناهنجاري است. هدف از پيش‌بيني ناهنجاري، تشخيص ناهنجاري قبل از اتفاق افتادن آن است كه مي‌تواند براي تحقق اهداف مختلفي مانند تنظيم ترافيك و پيشنهاد مسير انجام شود. با توجه به اين كه تشخيص ناهنجاري‌هاي ميان خط‌سيرها مسئله‌ي مهمي است و معمولاً در حوزه‌هاي مهمي مانند نظارت و كنترل كاربرد دارد، اما بااين‌وجود، كارهاي كمي در اين حوزه صورت گرفته است و اكثر الگوريتم‌هايي كه براي اين حوزه مطرح شده است داراي نقاط ضعف‌هايي هستند و از محدوديت‌هايي رنج مي‌برند، از جمله اينكه اكثر اين روش‌ها براي كاربردهاي آنلاين طراحي نشده‌اند؛ همچنين در بيشتر اين روش‌ها، پارامترهاي زيادي وجود دارد كه برقراري توازن ميان آن‌ها دشوار خواهد بود. در اين پژوهش در ابتدا روش‌هاي مختلف تشخيص ناهنجاري‌ها بررسي شده است و پس از آن يك مقايسه سطح بالا و دسته‌بندي كلي بر روي اين روش‌ها ارائه شده است. در مرحله بعد و به دليل اينكه داده‌هاي خام براي پردازش‌ها مناسب نيستند، يك پيش‌پردازش بر روي داده‌ها انجام شده است كه داراي مراحل استخراج همسايگي ميان يال‌ها، عمليات تطبيق بر نقشه و عمليات انتقال نقاط به لبه‌ها مي‌باشد. سپس در مرحله بعد يك روش مبتني بر نزديك‌ترين همسايه براي تشخيص ناهنجاري‌ها ارائه شده است كه داراي مزاياي متعددي از جمله مستقل بودن از توزيع داده‌ها و توانايي توليد خروجي هم به صورت برچسب و هم به صورت امتياز مي‌باشد. در مرحله بعد يك روش برخط تشخيص و پيش‌بيني ناهنجاري‌هاي ترافيكي معرفي شده است؛ از نكات برجسته اين بخش معرفي دو نوع ناهنجاري ذاتي و ناهنجاري القائي مي‌باشد كه عوامل پنهان ولي تأثيرگذار در ناهنجاري‌هاي ترافيكي را براي پيش‌بيني ناهنجاري‌ها در نظر مي‌گيرد. در انتهاي اين پژوهش نيز آزمايش‌هاي گوناگوني با استفاده از يك مجموعه داده استاندارد بر روي الگوريتم‌هاي پيشنهادي انجام شده است و همچنين الگوريتم‌هاي پيشنهادي با ديگر روش‌هاي مطرح در اين حوزه مقايسه شده است و نتايج حاصل از اين آزمايش‌ها ذكر شده است.

1397/01/20

2/24/2018 12:00:00 AM

Detection of anomalies in moving object trajectories is an important issue in the field of monitoring. An anomaly can be an event that does not match an expected pattern; the anomaly detection problem is divided into two general field of the anomaly detection of a trajectory and the anomaly detection between a set of trajectories. Another issue that can be raised in the field of anomalies is the problem of prediction of anomalies. The purpose of prediction of anomaly is to detect anormalies before it can occur, which can be done to achieve various goals such as traffic control and route suggestion. Considering that the detection of anomalies between the trajectories is an important issue and is usually applicable in important fields such as monitoring and control, nevertheless, little work has been done in this field, and most of the algorithms proposed for this field have weaknesses and They suffer from limitations, including that most of these methods are not designed for online applications; in most of these methods, there are many parameters that can be difficult to balance. In this research, different methods of detection of anormalies were first investigated and then a high level comparisons and overall classification were presented on these methods. Then and because the raw data is not suitable for the processing, a preprocess is performed on the data. Then, in the next step, a nearest-neighbor method is proposed to quantify the anomaly of reach road segment which has several advantages, including the independence of the distribution of data and the ability to generate output both in the form of a label and in the form of a score. In the next step, an online method for detecting and predicting traffic anomalies has been proposed. Highlights of this section introduce two types of inherent anomalies and induction anomalies that consider hidden but influential factors in traffic anomalies to predict anomalies. At the end of this research, various experiments have been carried out using a standard data set on the proposed algorithms, and the proposed algorithms are compared with other methods in this field and the results of these experiments are mentioned.