一種基于增量核主成分分析的增量軌跡異常檢測的方法
【專利摘要】一種基于增量核主成分分析的增量軌跡異常檢測的方法，屬于增量軌跡異常檢測的方法。該方法：首先進(jìn)行模型的初始化計算，使用傳統(tǒng)的Batch KPCA進(jìn)行初始核特征空間計算，每當(dāng)有M條新增軌跡數(shù)據(jù)到來時，先對這M條軌跡數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化；然后使用Batch KPCA計算新增數(shù)據(jù)的核特征空間；分別計算新增數(shù)據(jù)和訓(xùn)練數(shù)據(jù)的平均重建誤差，如果兩者誤差大于給定閥值，則執(zhí)行后續(xù)的核特征空間分割?合并方法，更新核特征空間；接著對更新后的核特征空間進(jìn)行投影，提取出主分量；最后利用一類支持向量機(jī)進(jìn)行無監(jiān)督學(xué)習(xí)和異常檢測。優(yōu)點：該方法優(yōu)于傳統(tǒng)的核主成分分析方法，降低了計算復(fù)雜性，提高了軌跡異常檢測的效率。
【專利說明】
-種基于増量核主成分分析的増量軌跡異常檢測的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種增量軌跡異常檢測的方法，特別是一種基于增量核主成分分析的 增量軌跡異常檢測的方法。
【背景技術(shù)】
[0002] 軌跡數(shù)據(jù)包含地理位置坐標(biāo)、速度、方向等多種特征，可W看作一種高維數(shù)據(jù)。核 主成分分析是一種非線性的主成分分析軌跡異常檢測方法，通過非線性映射將軌跡數(shù)據(jù)從 原始數(shù)據(jù)空間映射到高維特征空間中，然后在高維特征空間中運(yùn)用線性主成分分析進(jìn)行特 征提取。但是核主成分分析在進(jìn)行核矩陣特征分解時的計算復(fù)雜度為〇(N3)，嚴(yán)重影響在大 規(guī)模數(shù)據(jù)集上的應(yīng)用。引入增量學(xué)習(xí)方式來降低時間復(fù)雜度是提高此類方法的關(guān)鍵。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是要提供一種基于增量核主成分分析的增量軌跡異常檢測的方法， 解決現(xiàn)有核主成分分析方法的計算復(fù)雜度高的問題。
[0004] 本發(fā)明的目的是運(yùn)樣實現(xiàn)的:該方法：
[0005] 首先進(jìn)行模型的初始化計算，使用傳統(tǒng)的Batch KPCA進(jìn)行初始核特征空間計算， 每當(dāng)有M條新增軌跡數(shù)據(jù)到來時，先對運(yùn)M條軌跡數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化；
[0006] 然后使用Batch KPCA計算新增數(shù)據(jù)的核特征空間；
[0007] 分別計算新增數(shù)據(jù)和訓(xùn)練數(shù)據(jù)的平均重建誤差，如果兩者誤差大于給定閥值，貝U 執(zhí)行后續(xù)的核特征空間分割-合并方法，更新核特征空間；
[000引接著對更新后的核特征空間進(jìn)行投影，提取出主分量；
[0009] 最后利用一類支持向量機(jī)進(jìn)行無監(jiān)督學(xué)習(xí)和異常檢測；
[0010] 該方法具體步驟如下：
[0011] (1)該基于增量核主成分分析的增量軌跡異常檢測方法，首先需要設(shè)定滑動窗口 的大小P和每次更新的軌跡數(shù)目M;P代表了每次需要更新的核特征空間的大小，核特征空間 大小在算法執(zhí)行期間固定不變;M代表了每次增量的大??；
[0012] (2)然后使用傳統(tǒng)的Batch KPCA計算滑動數(shù)據(jù)窗口的初始核特征空間模型W及計 算其平均重建誤差寫之后循環(huán)批量處理新增的軌跡數(shù)據(jù)向量;在處理新增軌跡數(shù)據(jù) 向量時，先構(gòu)造其核特征空間模型，計算其平均重建誤差焉;
[OOU] (3)接著計算其與滑動窗口核特征空間之間的平均重建誤差比率EratiO;當(dāng)EratiO高 于給定閥值V時，使用核特征空間分割-合并算法更新滑動窗口核特征空間，先采用核特征 空間分割方法從滑動數(shù)據(jù)窗口中移除最早的M條軌跡數(shù)據(jù)特征向量，縮減核特征空間；然后 采用核特征空間合并方法將新增的M條軌跡數(shù)據(jù)向量合并到滑動窗口核特征空間中；
[0014] (4)同時計算滑動窗口核特征空間投影，求取主成分并計算其特征空間投影；
[0015] (5)最后使用一類支持向量機(jī)對提取的主分量進(jìn)行無監(jiān)督學(xué)習(xí)和異常檢測，記錄 檢測到的異常軌跡；檢測完之后，需要重新計算滑動窗口核特征空間平均重建誤差 焉。，化便處理下一次新增軌跡數(shù)據(jù)。
[0016] 有益效果，由于采用了上述方案，該基于增量核主成分分析的增量軌跡異常檢測 方法采用核特征空間分割-合并算法來更新核特征空間數(shù)據(jù)模型。維持一個固定大小的滑 動數(shù)據(jù)窗口，每當(dāng)有M條新增軌跡到來時，先從滑動數(shù)據(jù)窗口核特征空間模型中移除最早的 M條軌跡數(shù)據(jù)，再將新增的M條軌跡數(shù)據(jù)合并到核特征空間中；只需要計算M條軌跡的核特征 空間，在原有滑動數(shù)據(jù)窗口核特征空間的基礎(chǔ)上增量地更新核特征空間，避免了每次更新 時都要重新計算核特征空間的不足，解決了現(xiàn)有核主成分分析方法的計算復(fù)雜度高的問 題，達(dá)到了本發(fā)明的目的。
[0017] 優(yōu)點：該方法優(yōu)于傳統(tǒng)的核主成分分析方法，降低了計算復(fù)雜性，提高了軌跡異常 檢測的效率。
【附圖說明】
[0018] 圖1為本發(fā)明基于增量核主成分分析的增量軌跡異常檢測方法框架的流程圖。
[0019] 圖2為本發(fā)明與基于傳統(tǒng)KPCA的增量軌跡異常檢測方法的對比效果圖。
[0020] 圖3為本發(fā)明異常檢測效果圖。
[0021 ]圖4為本發(fā)明異常檢測效果圖。
【具體實施方式】
[0022] 下面結(jié)合附圖及實施例對本發(fā)明作進(jìn)一步說明。
[0023] 實施例1:首先進(jìn)行模型的初始化計算，使用傳統(tǒng)的Batch KPCA進(jìn)行初始核特征空 間計算，每當(dāng)有M條新增軌跡數(shù)據(jù)到來時，先對運(yùn)M條軌跡數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化;然后使用Batch KPCA計算新增數(shù)據(jù)的核特征空間。分別計算新增數(shù)據(jù)和訓(xùn)練數(shù)據(jù)的平均重建誤差，如果兩 者誤差大于給定閥值，則執(zhí)行后續(xù)的核特征空間分割-合并方法，更新核特征空間；接著對 更新后的核特征空間進(jìn)行投影，提取出主分量;最后利用一類支持向量機(jī)進(jìn)行無監(jiān)督學(xué)習(xí) 和異常檢測。
[0024] 參見圖1所示，一種基于增量核主成分分析的增量軌跡異常檢測方法，包括W下步 驟：
[0025] (1)初始軌跡數(shù)據(jù)，軌跡標(biāo)準(zhǔn)化；
[0026] (2)確定一個固定大小的滑動數(shù)據(jù)窗口，計算初始核特征空間W及重建誤差；
[0027] (3)計算新增數(shù)據(jù)和滑動窗口之間的平均重建誤差比率，如果兩者誤差大于給定 閥值，則執(zhí)行核特征空間分割-合并方法，更新核特征空間；
[0028] (4)計算更新后滑動窗口核特征空間投影，提取出主分量；
[0029] (5)利用一類支持向量機(jī)進(jìn)行無監(jiān)督學(xué)習(xí)和異常檢測；
[0030] 具體方法如下；
[0031] 該基于增量核主成分分析的增量軌跡異常檢測方法，首先采用Min-max方法標(biāo)準(zhǔn) 化每條軌跡，設(shè)定滑動窗口的大小P和每次更新的軌跡數(shù)目MdP代表了每次需要更新的核特 征空間的大小，核特征空間大小在算法執(zhí)行期間固定不變;M代表了每次增量的大??；
[0032] 然后使用傳統(tǒng)的Batch KPCA計算滑動數(shù)據(jù)窗口的初始核特征空間模型W及計算 其平均重建誤差5,W,UW;-個n維的輸入向量t通過核函數(shù)映射為一個1維的向量d) (t);重 建誤差e就是聲(0與其在核特征空間中投影之間的平方距離，其中多約是中屯、化后的映射向 量4 (t);之后循環(huán)批量處理新增的軌跡數(shù)據(jù)向量;在處理新增軌跡數(shù)據(jù)向量時，先構(gòu)造其 核特征空間模型，計算其平均重建誤差&如。,f。平均重建誤差比率Eratio是新增的M條軌跡數(shù) 據(jù)的平均重建誤差和滑動數(shù)據(jù)窗口中訓(xùn)練數(shù)據(jù)集平均重建誤差之間的比值。具體計算公式 為
[0033]
[0034] 接著計算其與滑動窗口核特征空間之間的平均重建誤差比率Eratio;當(dāng)Eratio高于 給定閥值V時，使用核特征空間分割-合并算法更新滑動窗口核特征空間，先采用核特征空 間分割方法從滑動數(shù)據(jù)窗口中移除最早的M條軌跡數(shù)據(jù)特征向量，縮減核特征空間，核特征 空間分割方法即基于原始輸入空間的特征空間分割方法，對其進(jìn)行核化得到適用于增量核 主成分分析的核特征空間分割方法;然后采用核特征空間合并方法將新增的M條軌跡數(shù)據(jù) 向量合并到滑動窗口核特征空間中，核特征空間合并即經(jīng)過核特征空間分割后，從滑動數(shù) 據(jù)窗口核特征空間中分割并得到由剩余軌跡構(gòu)成的核特征空間模型Q=化，?x，a，A，N)， 新增的M條軌跡構(gòu)成的核特征空間模型為0=(V，Oy，0，A，M)，合并Q和0得到更新后的 核特征空間模型Q=(W，〇z，T，n，P)。
[0035] 同時計算滑動窗口核特征空間投影，求取主成分并計算其特征空間投影；
[0036] 最后使用一類支持向量機(jī)對提取的主分量進(jìn)行無監(jiān)督學(xué)習(xí)和異常檢測，遍歷軌跡 集合，對于數(shù)據(jù)集中每條軌跡樣本，利用決策函數(shù)判斷異常軌跡，記錄檢測到的異常軌跡， 并設(shè)置相應(yīng)的軌跡標(biāo)簽；檢測完之后，需要重新計算滑動窗口核特征空間平均重建誤差 馬,,,,。>,,_.,。,，W便處理下一次新增軌跡數(shù)據(jù)。
[0037] 實施例2:本發(fā)明與基于傳統(tǒng)KPCA(Batch KPCA)的增量軌跡異常檢測算法的比較；
[0038] 為了驗證本發(fā)明的有效性，選取大西洋贓風(fēng)數(shù)據(jù)中1990年到2006年之間的7270個 軌跡點共計221條軌跡作為實驗數(shù)據(jù)集來進(jìn)行驗證。從圖2可W看出基于傳統(tǒng)KPCA的增量軌 跡異常檢測方法的執(zhí)行時間隨著滑動數(shù)據(jù)窗口的增大在快速增加。而基于核特征空間分 害合并的增量軌跡異常檢測算法的執(zhí)行時間也會隨著滑動數(shù)據(jù)窗口的增大而增加，但是 幅度不算大。并且在相同滑動數(shù)據(jù)窗口大小的情況下，基于核特征空間分割-合并的增量軌 跡異常檢測算法要比基于傳統(tǒng)KPCA的增量軌跡異常檢測方法所用的計算時間更少，且隨著 滑動數(shù)據(jù)窗口的增大，運(yùn)種差異會越來越大。
[0039] 實施例3:本發(fā)明的異常檢測效果圖；
[0040] 選取本發(fā)明方法在大西洋贓風(fēng)數(shù)據(jù)集上第4次迭代和第6次迭代的檢測結(jié)果，如圖 3和圖4所示。圖中較粗的線條代表檢測出的異常軌跡，較細(xì)的線條代表正常軌跡。從圖中可 W看出，異常檢測效果很好，很多行為反常的軌跡都被檢測了出來。并且從兩次迭代的結(jié)果 可W看出，隨著新增軌跡的不斷加入，一些新的異常軌跡被檢測出來，又由于核特征空間在 不斷更新，一些早先的異常軌跡被忽略了。
【主權(quán)項】
1. 一種基于增量核主成分分析的增量軌跡異常檢測的方法，其特征是:該方法： 首先進(jìn)行模型的初始化計算，使用傳統(tǒng)的Batch KPCA進(jìn)行初始核特征空間計算，每當(dāng) 有M條新增軌跡數(shù)據(jù)到來時，先對這M條軌跡數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化； 然后使用Batch KPCA計算新增數(shù)據(jù)的核特征空間； 分別計算新增數(shù)據(jù)和訓(xùn)練數(shù)據(jù)的平均重建誤差，如果兩者誤差大于給定閥值，則執(zhí)行 后續(xù)的核特征空間分割-合并方法，更新核特征空間； 接著對更新后的核特征空間進(jìn)行投影，提取出主分量； 最后利用一類支持向量機(jī)進(jìn)行無監(jiān)督學(xué)習(xí)和異常檢測。2. 根據(jù)權(quán)利要求1所述的一種基于增量核主成分分析的增量軌跡異常檢測的方法，其 特征是:該方法具體步驟如下： (1) 該基于增量核主成分分析的增量軌跡異常檢測方法，首先需要設(shè)定滑動窗口的大 小P和每次更新的軌跡數(shù)目M;P代表了每次需要更新的核特征空間的大小，核特征空間大小 在算法執(zhí)行期間固定不變;M代表了每次增量的大小； (2) 然后使用傳統(tǒng)的Batch KPCA計算滑動數(shù)據(jù)窗口的初始核特征空間模型以及計算其 平均重建誤差之后循環(huán)批量處理新增的軌跡數(shù)據(jù)向量;在處理新增軌跡數(shù)據(jù)向量 時，先構(gòu)造其核特征空間模型，計算其平均重建誤差 (3) 接著計算其與滑動窗口核特征空間之間的平均重建誤差比率。高于給 定閥值V時，使用核特征空間分割-合并算法更新滑動窗口核特征空間，先采用核特征空間 分割方法從滑動數(shù)據(jù)窗口中移除最早的M條軌跡數(shù)據(jù)特征向量，縮減核特征空間;然后采用 核特征空間合并方法將新增的M條軌跡數(shù)據(jù)向量合并到滑動窗口核特征空間中； (4) 同時計算滑動窗口核特征空間投影，求取主成分并計算其特征空間投影； (5) 最后使用一類支持向量機(jī)對提取的主分量進(jìn)行無監(jiān)督學(xué)習(xí)和異常檢測，記錄檢測 到的異常軌跡;檢測完之后，需要重新計算滑動窗口核特征空間平均重建誤差&__^，以 便處理下一次新增軌跡數(shù)據(jù)。
【文檔編號】G06K9/62GK106022368SQ201610325491
【公開日】2016年10月12日
【申請日】2016年5月17日
【發(fā)明人】張磊, 樊慶富, 劉磊軍, 鮑蘇寧, 張國興
【申請人】中國礦業(yè)大學(xué)