异常轨迹识别：改进密度聚类与模式挖掘的融合方法

本文提出了一种基于改进密度聚类与模式信息挖掘的异常轨迹识别方法，旨在解决社会安全事件中异常行为信息识别的难题。该方法结合了Hausdorff距离思想和DTW（动态时间规整）距离的改进，以及MBR（Minimum Bounding Rectangle）距离的扩展定义，来描述轨迹的行为特性和区域热度。同时，文章引入了支持向量机回归（SVR）的概念，并在此基础上提出特定支持向量机回归（SSVR），用于智能识别密度关联和决策模型下的类中心。通过两种不同密度的聚类分析，可以挖掘更多的异常模式信息并识别三种类型的异常轨迹。实验证明，该方法在上海和北京出租车轨迹集上的应用，有效提高了轨迹聚类异常识别的准确性，类发现能力提升了10%，并且丰富了异常轨迹的信息。 文章详细介绍了该识别方法的步骤。首先，对采样问题进行了处理，使用改进型DTW距离衡量轨迹的具体行为变化，而MBR距离则用于衡量轨迹覆盖区域的热度，这两者结合提供了更全面的轨迹特征描述。接着，作者在CFSFDP（Connected Finite Density Peaks）算法的基础上，构建了一个融合了密度关联和决策模型的框架，并引入了SSVR。通过SSVR，可以利用非线性回归差异识别类中心，从而实现对轨迹类别的智能判断。最后，通过对高密度和低密度下的轨迹聚类，可以揭示更多异常模式，并识别出异常轨迹，包括离群点、聚集点和趋势异常。 实验部分，研究者运用该方法对上海和北京的出租车轨迹数据进行了分析，结果显示该方法在异常轨迹检测方面具有显著优势，不仅提高了识别效率，还能够区分和丰富异常轨迹的特征信息。这表明，该方法对于社会安全事件中的异常行为监测具有很大的应用潜力，有助于提升公共安全管理的效能。 关键词: 支持向量机回归；密度聚类；异常轨迹识别；模式信息挖掘 总结起来，这篇论文提供了一种创新的异常轨迹识别技术，结合了空间和时间的特性，利用改进的距离度量和机器学习算法，有效地提升了轨迹异常检测的能力，对于社会安全事件的预防和管理具有重要的理论与实践意义。