文献

J-GLOBAL ID：201702224881576339   整理番号：17A1835671

多次元SSAを用いたエッジでのオンライン異常車両検出【Powered by NICT】

Online anomalous vehicle detection at the edge using multidimensional SSA

著者 (4件)： Chen Ning (Dept. of Electrical and Computer Engineering, State University of New York, Binghamton, NY 13902, USA) ,  Yang Zekun (Dept. of Electrical and Computer Engineering, State University of New York, Binghamton, NY 13902, USA) ,  Chen Yu (Dept. of Electrical and Computer Engineering, State University of New York, Binghamton, NY 13902, USA) ,  Polunchenko Aleksey (Dept. of Mathematical Sciences, State University of New York, Binghamton, NY 13902, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： INFOCOM WKSHPS  ページ： 851-856  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： スマートシティの大きな飛躍とモノの(loTs)インターネットの繁栄を目撃しているが,高度道路交通システム(ITS)における異常な車両監視問題が未だ難問のままである,中心ネットワークエッジからクラウドまでの移動はより計算課題。種々の研究は,この問題に対処する試みが,既存の手法は大きな訓練データセットを必要とするまたは事前知識を必要としない検出信頼性を呈した。本論文では,多次元特異スペクトル解析(mSSA)を用いたリアルタイムの道路上の異常な車両を同定することを提案した。時系列における変化点検出におけるSSAアルゴリズムの優れた性能に刺激されて,道路上の車両の特性寸法の相違点を捉えるためにそれを採用した。車両挙動の複数の因子がmSSAフレームワークにおける多重チャネルにマップ化した。車両のトレーニング前または定義正常運動パターンの代わりに,異常検出は異常値同定問題としてフォーマットである。二車両軌跡データセットを用いて,提案アプローチの実現可能性と有効性を検証した。クラスタリングのような提案された他の方法と比較して,実験結果は筆者らのアプローチはより信頼性が高く,ロバストであることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ロバスト性 ,  異常値 ,  インターネット ,  道路 ,  クラスタ化 ,  *高次元 ,  信頼性 ,  軌跡
準シソーラス用語： 異常検出 ,  マルチチャネル ,  変化点検出 ,  事前知識 ,  訓練データ ,  スマートシティ ,  *車両検出 , 【Automatic Indexing@JST】

分類 (3件)： 交通調査  (TB01031B) ,  移動通信  (ND08030H) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 多次元 ,  エッジ ,  オンライン ,  車両検出