一种基于增量核主成分分析的增量轨迹异常检测的方法技术

一种基于增量核主成分分析的增量轨迹异常检测的方法，属于增量轨迹异常检测的方法。该方法：首先进行模型的初始化计算，使用传统的Batch KPCA进行初始核特征空间计算，每当有M条新增轨迹数据到来时，先对这M条轨迹数据进行标准化；然后使用Batch KPCA计算新增数据的核特征空间；分别计算新增数据和训练数据的平均重建误差，如果两者误差大于给定阀值，则执行后续的核特征空间分割‑合并方法，更新核特征空间；接着对更新后的核特征空间进行投影，提取出主分量；最后利用一类支持向量机进行无监督学习和异常检测。优点：该方法优于传统的核主成分分析方法，降低了计算复杂性，提高了轨迹异常检测的效率。

【技术实现步骤摘要】

本专利技术涉及一种增量轨迹异常检测的方法，特别是一种基于增量核主成分分析的增量轨迹异常检测的方法。
技术介绍
轨迹数据包含地理位置坐标、速度、方向等多种特征，可以看作一种高维数据。核主成分分析是一种非线性的主成分分析轨迹异常检测方法，通过非线性映射将轨迹数据从原始数据空间映射到高维特征空间中，然后在高维特征空间中运用线性主成分分析进行特征提取。但是核主成分分析在进行核矩阵特征分解时的计算复杂度为O(N3)，严重影响在大规模数据集上的应用。引入增量学习方式来降低时间复杂度是提高此类方法的关键。
技术实现思路
本专利技术的目的是要提供一种基于增量核主成分分析的增量轨迹异常检测的方法，解决现有核主成分分析方法的计算复杂度高的问题。本专利技术的目的是这样实现的：该方法：首先进行模型的初始化计算，使用传统的Batch KPCA进行初始核特征空间计算，每当有M条新增轨迹数据到来时，先对这M条轨迹数据进行标准化；然后使用Batch KPCA计算新增数据的核特征空间；分别计算新增数据和训练数据的平均重建误差，如果两者误差大于给定阀值，则执行后续的核特征空间分割-合并方法，更新核特征空间；接着对更新后的核特征空间进行投影，提取出主分量；最后利用一类支持向量机进行无监督学习和异常检测；该方法具体步骤如下：(1)该基于增量核主成分分析的增量轨迹异常检测方法，首先需要设定滑动窗口的大小P和每次更新的轨迹数目M；P代表了每次需要更新的核特征空间的大小，核特征空间大小在算法执行期间固定不变；M代表了每次增量的大小；(2)然后使用传统的Batch KPCA计算滑动数据窗口的初始核特征空间模型以及计算其平均重建误差之后循环批量处理新增的轨迹数据向量；在处理新增轨迹数据向量时，先构造其核特征空间模型，计算其平均重建误差(3)接着计算其与滑动窗口核特征空间之间的平均重建误差比率εratio；当εratio高于给定阀值v时，使用核特征空间分割-合并算法更新滑动窗口核特征空间，先采用核特征空间分割方法从滑动数据窗口中移除最早的M条轨迹数据特征向量，缩减核特征空间；然后采用核特征空间合并方法将新增的M条轨迹数据向量合并到滑动窗口核特征空间中；(4)同时计算滑动窗口核特征空间投影，求取主成分并计算其特征空间投影；(5)最后使用一类支持向量机对提取的主分量进行无监督学习和异常检测，记录检测到的异常轨迹；检测完之后，需要重新计算滑动窗口核特征空间平均重建误差
以便处理下一次新增轨迹数据。有益效果，由于采用了上述方案，该基于增量核主成分分析的增量轨迹异常检测方法采用核特征空间分割-合并算法来更新核特征空间数据模型。维持一个固定大小的滑动数据窗口，每当有M条新增轨迹到来时，先从滑动数据窗口核特征空间模型中移除最早的M条轨迹数据，再将新增的M条轨迹数据合并到核特征空间中；只需要计算M条轨迹的核特征空间，在原有滑动数据窗口核特征空间的基础上增量地更新核特征空间，避免了每次更新时都要重新计算核特征空间的不足，解决了现有核主成分分析方法的计算复杂度高的问题，达到了本专利技术的目的。优点：该方法优于传统的核主成分分析方法，降低了计算复杂性，提高了轨迹异常检测的效率。附图说明图1为本专利技术基于增量核主成分分析的增量轨迹异常检测方法框架的流程图。图2为本专利技术与基于传统KPCA的增量轨迹异常检测方法的对比效果图。图3为本专利技术异常检测效果图。图4为本专利技术异常检测效果图。具体实施方式下面结合附图及实施例对本专利技术作进一步说明。实施例1：首先进行模型的初始化计算，使用传统的Batch KPCA进行初始核特征空间计算，每当有M条新增轨迹数据到来时，先对这M条轨迹数据进行标准化；然后使用Batch KPCA计算新增数据的核特征空间。分别计算新增数据和训练数据的平均重建误差，如果两者误差大于给定阀值，则执行后续的核特征空间分割-合并方法，更新核特征空间；接着对更新后的核特征空间进行投影，提取出主分量；最后利用一类支持向量机进行无监督学习和异常检测。参见图1所示，一种基于增量核主成分分析的增量轨迹异常检测方法，包括以下步骤：(1)初始轨迹数据，轨迹标准化；(2)确定一个固定大小的滑动数据窗口，计算初始核特征空间以及重建误差；(3)计算新增数据和滑动窗口之间的平均重建误差比率,如果两者误差大于给定阀值，则执行核特征空间分割-合并方法，更新核特征空间；(4)计算更新后滑动窗口核特征空间投影，提取出主分量；(5)利用一类支持向量机进行无监督学习和异常检测；具体方法如下：该基于增量核主成分分析的增量轨迹异常检测方法，首先采用Min-max方法标准化每条轨迹，设定滑动窗口的大小P和每次更新的轨迹数目M。P代表了每次需要更新的核特征空间的大小，核特征空间大小在算法执行期间固定不变；M代表了每次增量的大小；然后使用传统的Batch KPCA计算滑动数据窗口的初始核特征空间模型以及计算其平均重建误差一个n维的输入向量t通过核函数映射为一个l维的向量φ(t)；重建误
差ε就是与其在核特征空间中投影之间的平方距离，其中是中心化后的映射向量φ(t)；之后循环批量处理新增的轨迹数据向量；在处理新增轨迹数据向量时，先构造其核特征空间模型，计算其平均重建误差平均重建误差比率εratio是新增的M条轨迹数据的平均重建误差和滑动数据窗口中训练数据集平均重建误差之间的比值。具体计算公式为 ϵ ‾ t r a i n i n g _ s e t = Σ i = 1 N ϵ ( i ) N , ϵ ‾ u p d a t e = Σ i = 1 M ϵ ( i ) M , ϵ r a t i o 本文档来自技高网...

【技术保护点】
一种基于增量核主成分分析的增量轨迹异常检测的方法，其特征是：该方法：首先进行模型的初始化计算，使用传统的Batch KPCA进行初始核特征空间计算，每当有M条新增轨迹数据到来时，先对这M条轨迹数据进行标准化；然后使用Batch KPCA计算新增数据的核特征空间；分别计算新增数据和训练数据的平均重建误差，如果两者误差大于给定阀值，则执行后续的核特征空间分割‑合并方法，更新核特征空间；接着对更新后的核特征空间进行投影，提取出主分量；最后利用一类支持向量机进行无监督学习和异常检测。

【技术特征摘要】
1.一种基于增量核主成分分析的增量轨迹异常检测的方法，其特征是：该方法：首先进行模型的初始化计算，使用传统的Batch KPCA进行初始核特征空间计算，每当有M条新增轨迹数据到来时，先对这M条轨迹数据进行标准化；然后使用Batch KPCA计算新增数据的核特征空间；分别计算新增数据和训练数据的平均重建误差，如果两者误差大于给定阀值，则执行后续的核特征空间分割-合并方法，更新核特征空间；接着对更新后的核特征空间进行投影，提取出主分量；最后利用一类支持向量机进行无监督学习和异常检测。2.根据权利要求1所述的一种基于增量核主成分分析的增量轨迹异常检测的方法，其特征是：该方法具体步骤如下：(1)该基于增量核主成分分析的增量轨迹异常检测方法，首先需要设定滑动窗口的大小P和每次更新的轨迹数目M；P代表了每次需要更新的核特征空间的大小，核特征空间大小在算法执行期间固定不变；M代表了每...

【专利技术属性】
技术研发人员：张磊，樊庆富，刘磊军，鲍苏宁，张国兴，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏;32