文献

J-GLOBAL ID：202102237915996718   整理番号：21A0272740

モバイルネットワークのためのビッグトラジェクトリーデータに基づく異常行動検出と分類のフレームワーク【JST・京大機械翻訳】

A Framework of Abnormal Behavior Detection and Classification Based on Big Trajectory Data for Mobile Networks

著者 (12件)： Zhang Haiyan (School of Computer and Information, Anhui Normal University, 241002 Wuhu, Anhui, China) ,  Zhang Haiyan (Anhui Provincial Key Laboratory of Network and Information Security, 241002 Wuhu, Anhui, China) ,  Luo Yonglong (School of Computer and Information, Anhui Normal University, 241002 Wuhu, Anhui, China) ,  Luo Yonglong (Anhui Provincial Key Laboratory of Network and Information Security, 241002 Wuhu, Anhui, China) ,  Yu Qingying (School of Computer and Information, Anhui Normal University, 241002 Wuhu, Anhui, China) ,  Yu Qingying (Anhui Provincial Key Laboratory of Network and Information Security, 241002 Wuhu, Anhui, China) ,  Sun Liping (School of Computer and Information, Anhui Normal University, 241002 Wuhu, Anhui, China) ,  Sun Liping (Anhui Provincial Key Laboratory of Network and Information Security, 241002 Wuhu, Anhui, China) ,  Li Xuejing (School of Computer and Information, Anhui Normal University, 241002 Wuhu, Anhui, China) ,  Li Xuejing (Anhui Provincial Key Laboratory of Network and Information Security, 241002 Wuhu, Anhui, China) ,  Sun Zhenqiang (School of Computer and Information, Anhui Normal University, 241002 Wuhu, Anhui, China) ,  Sun Zhenqiang (Anhui Provincial Key Laboratory of Network and Information Security, 241002 Wuhu, Anhui, China)
資料名： Security and Communication Networks  (Security and Communication Networks)
巻： 2020  ページ： Null  発行年： 2020年 
JST資料番号： W2740A  ISSN： 1939-0114  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： モバイルネットワークのためのビッグ軌道データ特徴解析は,一般的な大きいデータ解析タスクである。モバイルネットワークの大きなカバレッジと複雑性のため,都市運動挙動における異常の定義と検出は困難である。いくつかの既存の方法は,一般的パターンの決定のような限られた単一検出技術を使用するので,異常な都市車両軌道の検出に適していない。本研究では,都市軌道モデリングと異常検出のフレームワークを提案した。このフレームワークは,異常挙動が空間領域における異常な位置と軌跡の全体形状,ならびにこれらの位置が現れる方法を説明する。したがって,本研究は,空間位置,配列,および行動特徴を含む異常検出に必要な周辺特徴を決定する。次に,3種類の特徴からスポーツ行動を調べ,異常検出のためのタクシー軌跡モデルを作成した。スポーツ行動を含む異常検出は,(i)同じ開始点と終了点を持つ軌道の大域的ルータ異常検出に対するアルゴリズムを用いた,(i)迂回行動検出である。この方法は分離森林アルゴリズムに基づいている。(ii)DBSCANアルゴリズムに基づく局所速度異常検出;(iii)局所異常値因子アルゴリズムに基づく局所形状異常検出。実生活データセットを用いて,異常値検出における本手法の有効性を実証した。さらに,実験により,提案アルゴリズムは,高精度および再現率に関して,古典的アルゴリズムよりも良好に機能することを示した。したがって,提案方法は,運転者の異常行動を正確に検出できる。Copyright 2020 Haiyan Zhang et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  スポーツ ,  都市 ,  データ解析 ,  検出法 ,  バイパス ,  異常値 ,  有効性 ,  *トラジェクトリー ,  タクシー
準シソーラス用語： *異常行動 ,  複雑性 ,  高精度 ,  再現率 ,  異常検出 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

引用文献 (40件)：

• Y. Huang, B. Li, Z. Liu et al., "ThinORAM: towards practical oblivious data access in fog computing environment," IEEE Transactions on Services Computing, vol. 13, no. 4, pp. 602, 2020.
• W. Luo, H. Tan, L. Chen, L. M. Ni, "Finding time period-based most frequent path in big trajectory data," Proceedings of the 2013 ACM SIGMOD International Conference on Management of Data, New York, NY, USA, June 2013.
• Z. Liu, B. Li, Y. Huang, J. Li, Y. Xiang, W. Pedrycz, "NewMCOS: towards a practical multi-cloud oblivious storage scheme," IEEE Transactions on Knowledge and Data Engineering, vol. 32, no. 4, pp. 714-727, 2019.
• Y. Wang, Y. Zheng, Y. Xue, "Travel time estimation of a path using sparse trajectories," Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York, NY, USA, August 2014.
• A. Hofleitner, R. Herring, P. Abbeel, A. Bayen, "Learning the dynamics of arterial traffic from probe data using a dynamic Bayesian network," IEEE Transactions on Intelligent Transportation Systems, vol. 13, no. 4, pp. 1679-1693, 2012.

タイトルに関連する用語 (4件)： モバイルネットワーク ,  異常行動 ,  分類 ,  フレームワーク