31729

ناهنجارشناسي داده‌هاي مكاني-زماني با استفاده از روش‌هاي يادگيري گروهي

كارشناسي ارشد

مهندسي كامپيوتر-نرم‌افزار

1400

1403/06/26

حسين رحماني

فاقد استاد مشاور

كامپيوتر

با رشد سريع تكنيك‌هاي موقعيت‌يابي، داده‌هاي مكاني-زماني به‌طور گسترده‌اي در دسترس قرار‌گرفته‌اند و استخراج دانش ارزشمند از اين داده‌ها به دليل حجم و پيچيدگي آن‌ها، به يك چالش بزرگ تبديل شده است. مدل‌هاي سنتي تحليل داده‌ها، مانند روش‌هاي آماري، به دليل عدم توانايي در پردازش حجم عظيم و پيچيدگي اين داده‌ها، ديگر پاسخگوي نيازهاي موجود نيستند. در اين راستا، مدل‌هاي يادگيري‌عميق به‌عنوان رويكردهاي قدرتمندي براي تحليل داده‌هاي مكاني-زماني شناخته شده‌اند. مدل پيشنهادي TRIP-ADAE براي شناسايي ناهنجاري‌ها در سطح سفرهاي تاكسي طراحي شده است و برخلاف رويكردهاي پيشين كه تنها بر يك يا دو جنبه از داده‌ها تمركز داشتند، توانايي تحليل جامع داده‌ها را داراست و ناهنجاري‌هاي مكاني، زماني و ساير ويژگي‌هاي سفر را به‌طور همزمان شناسايي مي‌كند. ناهنجاري‌هاي سطح سفر، كه تأثير زيادي بر كسب‌وكارها و تحليل دقيق سيستم‌هاي حمل‌ونقل دارند، شامل مواردي همچون زمان غيرمعمول طولاني يا كوتاه، سرعت غيرعادي، مسيرهاي نامتعارف و هزينه‌هاي نامتداول هستند. اين ناهنجاري‌ها مي‌توانند منجر به مشكلاتي مانند تأخير در خدمات، افزايش هزينه‌هاي عملياتي، كاهش رضايت مشتريان و حتي تهديدات امنيتي شوند. به‌عنوان مثال، سفرهايي با سرعت بالاتر از حد معمول مي‌توانند خطر تصادف را افزايش داده و امنيت مسافران را به خطر بيندازند. همچنين، هزينه‌هاي نامتعارف يا تراكنش‌هاي مشكوك ممكن است نشان‌دهنده تقلب يا مشكلات سيستمي باشند. نتايج اين پژوهش نشان مي‌دهد كه مدل TRIP-ADAE مي‌تواند با شناسايي بموقع اين ناهنجاري‌ها، عملكرد سيستم‌هاي حمل‌ونقل را بهبود بخشيده و دقت تحليل داده‌هاي سفرهاي رانندگان و رضايت مشتريان را افزايش دهد. اين مدل، به‌ازاي recall كه براي ناهنجاري بسيار مهم است، مقدار 0.91 را دارد، يعني نسبت به بهترين مدل پايه 10% بهتر است. در عين حال تعادل بين precision و recall حفظ شده‌است. مقدار AUC نيز با مقدار 0.99 از AUC تمام مدل‌ها بالاتر است و نسبت به بهترين مدل 5% افزايش دارد. در‌نهايت، معيار f با مقدار 0.84 به‌اندازه‌ي 11% بهترين مدل پايه را بهبود داده‌است. اين مدل قادر است چالش‌هاي شناسايي ناهنجاري‌هاي سطح سفر را كه تأثيرات مهمي بر كسب‌وكارها و ايمني مسافران دارند، برطرف سازد. رويكرد نوآورانه TRIP-ADAE گامي مؤثر در راستاي تحليل جامع و دقيق‌تر داده‌هاي مكاني-زماني و ارتقاي خدمات در نظارت بر رانندگان است و حتي مي‌تواند به‌عنوان يك ابزار كاربردي در بهبود سيستم‌هاي حمل‌ونقل عمومي و خصوصي استفاده شود.

1403/09/19

Anomaly Detection in Spatio-Temporal Data using Ensemble Learning Methods

8/16/2025 12:00:00 AM

With the rapid advancement of positioning techniques, spatiotemporal data has become widely available, and extracting valuable insights from these data has become a significant challenge due to their volume and complexity. Traditional data analysis models, such as statistical methods, are no longer adequate to meet the demands because they cannot handle the vast scale and complexity of these data. In this context, deep learning models have emerged as powerful approaches for analyzing spatiotemporal data. The proposed TRIP-ADAE model is designed to detect anomalies at the level of taxi trips and, unlike previous approaches that focused on only one or two aspects of the data, it has the capability to provide a comprehensive analysis by simultaneously identifying spatial, temporal, and other travel-related anomalies. Trip-level anomalies, which significantly impact businesses and the precise analysis of transportation systems, include issues such as unusually long or short durations, abnormal speeds, unconventional routes, and atypical costs. These anomalies can lead to problems such as service delays, increased operational costs, decreased customer satisfaction, and even security threats. For instance, trips with speeds significantly higher than usual can increase the risk of accidents and jeopardize passenger safety. Additionally, unusual costs or suspicious transactions may indicate fraud or systemic issues. The results of this research demonstrate that the TRIP-ADAE model can enhance transportation system performance and improve the accuracy of driver trip data analysis and customer satisfaction by timely identifying these anomalies. This model shows a 10% improvement over the best baseline model and is capable of addressing the challenges of detecting trip-level anomalies that have significant impacts on businesses and passenger safety. The innovative TRIP-ADAE approach represents an effective step towards a more comprehensive and accurate analysis of spatiotemporal data and improving services in driver monitoring. It can even serve as a practical tool for enhancing both public and private transportation systems.

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

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

Fatemeh Rezaeian Kuchesfehan

Hossein Rahmani