CN103793599A - 一种基于隐马尔科夫模型的出行异常检测方法 - Google Patents
一种基于隐马尔科夫模型的出行异常检测方法 Download PDFInfo
- Publication number
- CN103793599A CN103793599A CN201410021376.0A CN201410021376A CN103793599A CN 103793599 A CN103793599 A CN 103793599A CN 201410021376 A CN201410021376 A CN 201410021376A CN 103793599 A CN103793599 A CN 103793599A
- Authority
- CN
- China
- Prior art keywords
- data
- representative
- hmm
- central point
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
一种基于隐马尔科夫模型的出行异常检测方法,包括以下步骤:(1)利用北斗或GPS定位设备采集监测数据的数据,包括经度、纬度和日期,并用GPRS模块将这些数据发送到出行行为监测平台;(2)将坐标数据分为工作日数据和节假日数据采用k-medoids算法进行聚类,分别得到两组聚类标志点集合和(3)把工作日和节假日的坐标数据作为两组观测量,采用Baum-Welch算法训练HMM模型,分别得到工作日出行规律模型和节假日出行规律模型;(4)利用出行规律模型,来检测出行行为异常。本发明精度较高、可靠性良好。
Description
技术领域
本发明涉及一种出行异常检测领域,尤其是一种老人或儿童等特殊人群的出行异常检测方法。
背景技术
全球导航卫星系统(GNSS)包括美国的GPS、俄罗斯的Glonass、欧洲的Galileo和中国的北斗卫星导航系统等,已广泛应用于军事和民用等领域中。在卫星导航系统的应用方面,国内拥有广阔的市场前景,例如利用GPS和GPRS的移动智能车载终端以及基于GPS或北斗导航二次开发的车辆监控与交通诱导系统,这些都广泛应用于公安、医疗、消防、交通、物流等领域,但大部分只是针对车辆导航和定位等基本服务,没有针对人的行为定位检测的方案。
老人和儿童等一些特殊人群在无人陪护状态下出行,容易发生迷路、走失、绑架等状况。在实际生活当中,往往是出现了严重的后果,才能被动地去应对该状况。而人的运动具有一定的随机性,因此很难对人的行为进行精确地预测。这就可以借助上述卫星定位技术,并结合出行异常检测算法,在出现出行异常时,及早发出警报通知监护者,并采取相应的措施。
发明内容
为了克服已有异常检测技术的精度较低、可靠性较差的不足,本发明提供了一种精度较高、可靠性良好的基于隐马尔科夫模型的出行异常检测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于隐马尔科夫模型的出行异常检测方法,所述出行异常检测方法包括以下步骤:
(1)利用北斗或GPS定位设备采集监测数据的数据,包括经度、纬度和日期,并用GPRS模块将这些数据发送到出行行为监测平台;
(3)把工作日和节假日的坐标数据作为两组观测量,采用Baum-Welch算法训练HMM模型,分别得到工作日出行规律模型和节假日出行规律模型;
(4)利用出行规律模型,来检测出行行为异常。
进一步,所述步骤(1)中,当出现信号丢失时,则利用线性插值法填补缺失的坐标点。
确定n个数据的k个划分,在随机选择k个初始代表数据之后,反复地用非代表数据来替换代表数据,并用代价函数来评估聚类质量,把最终得到的中心点称作聚类标志点qi;
聚类过程如下:
输入:包含n个数据的数据库和簇数目k;
输出:k个簇,即聚类标志点集合;
2.1)随机选择k个代表数据作为初始的中心点pi;
2.2)指派每个剩余数据pj给离它最近的中心点所代表的簇;
2.3)随机地选择一个非中心点数据pl;
2.4)计算用pl代替中心点pi的总代价E;
2.5)如果E减小,则用可用pl代替pi,形成新的中心点;
2.6)重复2.2)-2.5),直到k个中心点不再发生变化。
更进一步,为了判定一个非代表数据pl是否是当前一个代表数据pi的好的替代,对于每一个非中心点数据pj要计算代价Cjil,下面的四种情况被考虑:
第一、若pj属于pi代表的那一类,并且pj离pj.2比pl近(pj.2是距离pj第二近的中心点),即d(pj,pl)≥d(pj,pj.2);d(pj,pl)为两点之间的曼哈顿距离,d(pj,pl)=|xj-xl|+|yj-yl|,x为经度,y为纬度;如果pi被pl替换作为中心点,pj将被重新分配给pj.2所代表的类,则代价Cjil=|d(pj,pj.2)-d(pj,pi)|;
第二、若pj属于pi代表的那一类,并且pj离pj.2比pl远,即d(pj,pl)<d(pj,pj.2);如果pi被pl替换作为中心点,pj将属于pl所代表的类,则代价Cjil=|d(pj,pl)-d(pj,pi)|;
第三、若pj属于pj.2代表的那一类,并且pj离pj.2比pl近,即d(pj,pl)≥d(pj,pj.2);如果pi被pl替换作为中心点,pj将留在pj.2所代表的类,则代价Cjil=0;
第四、若pj属于pj.2代表的那一类,并且pj离pj.2比pl远,即d(pj,pl)<d(pj,pj.2);如果pi被pl替换作为中心点,pj将从pj.2所代表的类中跳入pl所代表的类,则代价Cjil=|d(pj,pl)-d(pj,pj.2)|;
pl替代pi的总代价E为各个非代表数据pj的相应代价Cjil之和,如果总代价E减小,则pl是pi好的替代;对所有n-k个非代表数据pj的代价求和,用pl替换pi的总代价为:
所述步骤(3)中,令模型要训练的观察值序列为工作日数据和节假日数据对应的隐藏状态序列为聚类标志点集合和采用Baum-Welch算法分别训练HMM模型λ=(A,B,π),A为转移矩阵,B为混淆矩阵,π为初始概率,得到工作日出行规律模型和节假日出行规律模型,Baum-Welch算法的过程如下:
(3.1)假设时间长度为T,t为该时间段内的某一时刻,1≤t≤T,计算前向变量αt(i)及后向变量βt(i),
αt(i)=Pr(p1,p2,…,pt,qt=si|λ),
βt(i)=Pr(pt+1,pt+2,…,pT,qt=si|λ),
其中,si为隐藏状态序列中的某个状态;
(3.2)计算在t时刻位于状态si,而在t+1时刻处于状态sj的概率ξt(i,j)以及在t时刻处于si状态的概率γt(i),
(3.3)对参数进行重估,得到隐马尔科夫模型λ=(A,B,π),
所述步骤(4)中,检测行为异常的过程如下:
(4.1)实时接收监测数据数据,用固定长度的队列存放数据,当信号丢失时,采取步骤一所述的线性插值法进行处理;
(4.2)根据日期判断是工作日还是节假日,调用相应的出行规律模型λ=(A,B,π),采用前向算法,得出监测数据的轨迹在该HMM下的条件概率;
(4.3)以此条件概率的值与阈值进行比较,如果大于阈值则为正常,反之则为异常,并报警。
本发明考虑到定位设备可能出现信号丢失,采用线性插值法填补缺失的坐标点。考虑到人的出行行为具有一定的随机性,同时还有一定的规律性,因此先对数据进行聚类处理,再采用隐马尔科夫模型建立出监测数据的出行规律模型。也考虑到工作日和节假日对监测数据出行行为的影响是不同,所以分别建立了工作日和节假日出行规律模型。还考虑到在应用过程中可能会出现的误报和漏报情况,调整阈值。综上,利用现有的北斗或GPS定位设备,充分考虑了不同因素对人的出行行为的影响,并以此提出的方法,可有效地针对监测数据出行的异常轨迹,进行报警,提醒监护者。
本发明的有益效果主要表现在:精度较高、可靠性良好。
附图说明
图1是基于隐马尔科夫模型的出行异常检测方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1,一种基于隐马尔科夫模型的出行异常检测方法,包括如下步骤:
(1)利用北斗或GPS定位设备采集监测数据的数据,包括经度、纬度和日期,并用GPRS模块将这些数据发送到出行行为监测平台,当出现信号丢失时,则利用线性插值法填补缺失的坐标点;
(3)把工作日和节假日的坐标数据作为两组观测量,采用Baum-Welch算法训练HMM模型,分别得到工作日出行规律模型和节假日出行规律模型;
(4)利用出行规律模型,来检测出行行为异常。
其中,所述步骤(1)中,利用北斗或GPS定位设备采集监测数据的数据,包括经度、纬度和时间,并用GPRS将这些数据发送到出行行为监测平台。当t时刻之后的一段时间内,定位信号丢失,则先用t时刻的坐标点临时代替丢失的点,等重新收到信号后,利用新采集的坐标点和t时刻的坐标点进行线性插值,将插值点作为丢失的点,形成运动轨迹。
所述步骤(2)中,坐标数据pi=(xi,yi),xi为经度,yi为纬度,将采集的数据分为工作日数据和节假日数据采用k-medoids算法对这些数据进行聚类,分别得到聚类标志点集合和该算法确定n个数据的k个划分,在随机选择k个初始代表数据之后,反复地用非代表数据来替换代表数据,并用代价函数来评估聚类质量,把最终得到的中心点称作聚类标志点qi。
为了判定一个非代表数据pl是否是当前一个代表数据pi的好的替代,对于每一个非中心点数据pj要计算代价Cjil,下面的四种情况被考虑:
第一、若pj属于pi代表的那一类,并且pj离pj.2比pl近(pj.2是距离pj第二近的中心点),即d(pj,pl)≥d(pj,pj.2)。d(pj,pl)为两点之间的曼哈顿距离,d(pj,pl)=|xj-xl|+|yj-yl|,x为经度,y为纬度。如果pi被pl替换作为中心点,pj将被重新分配给pj.2所代表的类,则代价Cjil=|d(pj,pj.2)-d(pj,pi)|;
第二、若pj属于pi代表的那一类,并且pj离pj.2比pl远,即d(pj,pl)<d(pj,pj.2)。如果pi被pl替换作为中心点,pj将属于pl所代表的类,则代价Cjil=|d(pj,pl)-d(pj,pi)|;
第三、若pj属于pj.2代表的那一类,并且pj离pj.2比pl近,即d(pj,pl)≥d(pj,pj.2)。如果pi被pl替换作为中心点,pj将留在pj.2所代表的类,则代价Cjil=0;
第四、若pj属于pj.2代表的那一类,并且pj离pj.2比pl远,即d(pj,pl)<d(pj,pj.2)。如果pi被pl替换作为中心点,pj将从pj.2所代表的类中跳入pl所代表的类,则代价Cjil=|d(pj,pl)-d(pj,pj.2)|。
pl替代pi的总代价E为各个非代表数据pj的相应代价Cjil之和,如果总代价E减小,则pl是pi好的替代。对所有n-k个非代表数据pj的代价求和,用pl替换pi的总代价为:
聚类过程步骤如下:
输入:包含n个数据的数据库和簇数目k;
输出:k个簇,即聚类标志点集合。
(2.1)随机选择k个代表数据作为初始的中心点pi;
(2.2)指派每个剩余数据pj给离它最近的中心点所代表的簇;
(2.3)随机地选择一个非中心点数据pl;
(2.4)计算用pl代替中心点pi的总代价E;
(2.5)如果E减小,则用可用pl代替pi,形成新的中心点;
(2.6)重复(2.2)—(2.5),直到k个中心点不再发生变化。
所述步骤(3)中,采用Baum-Welch算法分别训练HMM模型,得到工作日出行规律模型和节假日出行规律模型。HMM是双重随机过程,其中一个是隐含的有限状态马尔可夫链,它描述状态的转移;另一个随机过程描述状态与观测值之间的统计对应关系。令模型要训练的观察值序列为工作日数据和节假日数据对应的隐藏状态序列为聚类标志点集合和采用Baum-Welch算法分别训练HMM模型λ=(A,B,π),A为转移矩阵,B为混淆矩阵(ConfusionMatrix),π为初始概率,得到工作日出行规律模型和节假日出行规律模型。Baum-Welch算法具体步骤如下:
(3.1)假设时间长度为T,t为该时间段内的某一时刻,1≤t≤T,计算前向变量αt(i)及后向变量βt(i),
αt(i)=Pr(p1,p2,…,pt,qt=si|λ),
βt(i)=Pr(pt+1,pt+2,…,pT,qt=si|λ),
其中,si为隐藏状态序列中的某个状态。
(3.2)计算在t时刻位于状态si,而在t+1时刻处于状态sj的概率ξt(i,j)以及在t时刻处于si状态的概率γt(i),
(3.3)对参数进行重估,得到隐马尔科夫模型λ=(A,B,π)。
所述步骤(4)中,利用出行规律模型,来检测出行行为异常,包括如下过程:
(4.1)实时接收监测数据数据,用固定长度的队列存放数据。当信号丢失时,采取步骤一所述的线性插值法进行处理;
(4.2)根据日期判断是工作日还是节假日,调用相应的出行规律模型λ=(A,B,π),采用前向算法,得出监测数据的轨迹在该HMM下的条件概率;
(4.3)以此条件概率的值与阈值进行比较,如果大于阈值则为正常,反之则为异常,并报警。阈值为预设的经验值,可根据应用过程中的误报和漏报情况进行调整。
本实施例中,卫星定位设备在城市中可能会出现信号丢失问题,会造成数据样本缺失。本发明利用线性插值法对缺失的数据进行填补,保证运动轨迹的完整。
卫星定位设备本身会存在误差以及对缺失数据线性插值会产生孤立点数据。本发明采用的k-medoids算法对孤立点数据有很强的鲁棒性。城市通常被规划为方形的建筑区块,所以用曼哈顿距离作为该算法的相异度。相比欧氏距离,能更好地反映数据之间的路程的远近。
Claims (6)
2.如权利要求1所述的一种基于隐马尔科夫模型的出行异常检测方法,其特征在于:所述步骤(1)中,当出现信号丢失时,则利用线性插值法填补缺失的坐标点。
3.如权利要求1或2所述的一种基于隐马尔科夫模型的出行异常检测方法,其特征在于:所述步骤(2)中,坐标数据pi=(xi,yi),xi为经度,yi为纬度,将采集的数据分为工作日数据和节假日数据采用k-medoids算法对这些数据进行聚类,分别得到聚类标志点集合 和
确定n个数据的k个划分,在随机选择k个初始代表数据之后,反复地用非代表数据来替换代表数据,并用代价函数来评估聚类质量,把最终得到的中心点称作聚类标志点qi;
聚类过程如下:
输入:包含n个数据的数据库和簇数目k;
输出:k个簇,即聚类标志点集合;
2.1)随机选择k个代表数据作为初始的中心点pi;
2.2)指派每个剩余数据pj给离它最近的中心点所代表的簇;
2.3)随机地选择一个非中心点数据pl;
2.4)计算用pl代替中心点pi的总代价E;
2.5)如果E减小,则用可用pl代替pi,形成新的中心点;
2.6)重复2.2)-2.5),直到k个中心点不再发生变化。
4.如权利要求3所述的一种基于隐马尔科夫模型的出行异常检测方法,其特征在于:为了判定一个非代表数据pl是否是当前一个代表数据pi的好的替代,对于每一个非中心点数据pj要计算代价Cjil,下面的四种情况被考虑:
第一、若pj属于pi代表的那一类,并且pj离pj.2比pl近(pj.2是距离pj第二近的中心点),即d(pj,pl)≥d(pj,pj.2);d(pj,pl)为两点之间的曼哈顿距离,d(pj,pl)=|xj-xl|+|yj-yl|,x为经度,y为纬度;如果pi被pl替换作为中心点,pj将被重新分配给pj.2所代表的类,则代价Cjil=|d(pj,pj.2)-d(pj,pi)|;
第二、若pj属于pi代表的那一类,并且pj离pj.2比pl远,即d(pj,pl)<d(pj,pj.2);如果pi被pl替换作为中心点,pj将属于pl所代表的类,则代价Cjil=|d(pj,pl)-d(pj,pi)|;
第三、若pj属于pj.2代表的那一类,并且pj离pj.2比pl近,即d(pj,pl)≥d(pj,pj.2);如果pi被pl替换作为中心点,pj将留在pj.2所代表的类,则代价Cjil=0;
第四、若pj属于pj.2代表的那一类,并且pj离pj.2比pl远,即d(pj,pl)<d(pj,pj.2);如果pi被pl替换作为中心点,pj将从pj.2所代表的类中跳入pl所代表的类,则代价Cjil=|d(pj,pl)-d(pj,pj.2)|;
pl替代pi的总代价E为各个非代表数据pj的相应代价Cjil之和,如果总代价E减小,则pl是pi好的替代;对所有n-k个非代表数据pj的代价求和,用pl替换pi的总代价为:
5.如权利要求1或2所述的一种基于隐马尔科夫模型的出行异常检测方法,其特征在于:所述步骤(3)中,令模型要训练的观察值序列为工作日数据和节假日数据对应的隐藏状态序列为聚类标志点集合和采用Baum-Welch算法分别训练HMM模型λ=(A,B,π),A为转移矩阵,B为混淆矩阵,π为初始概率,得到工作日出行规律模型和节假日出行规律模型,Baum-Welch算法的过程如下:
(3.1)假设时间长度为T,t为该时间段内的某一时刻,1≤t≤T,计算前向变量αt(i)及后向变量βt(i),
αt(i)=Pr(p1,p2,…,pt,qt=si|λ),
βt(i)=Pr(pt+1,pt+2,…,pT,qt=si|λ),
其中,si为隐藏状态序列中的某个状态;
(3.2)计算在t时刻位于状态si,而在t+1时刻处于状态sj的概率ξt(i,j)以及在t时刻处于si状态的概率γt(i),
(3.3)对参数进行重估,得到隐马尔科夫模型λ=(A,B,π),
6.如权利要求1或2所述的一种基于隐马尔科夫模型的出行异常检测方法,其特征在于:所述步骤(4)中,检测行为异常的过程如下:
(4.1)实时接收监测数据数据,用固定长度的队列存放数据,当信号丢失时,采取步骤一所述的线性插值法进行处理;
(4.2)根据日期判断是工作日还是节假日,调用相应的出行规律模型λ=(A,B,π),采用前向算法,得出监测数据的轨迹在该HMM下的条件概率;
(4.3)以此条件概率的值与阈值进行比较,如果大于阈值则为正常,反之则为异常,并报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410021376.0A CN103793599A (zh) | 2014-01-17 | 2014-01-17 | 一种基于隐马尔科夫模型的出行异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410021376.0A CN103793599A (zh) | 2014-01-17 | 2014-01-17 | 一种基于隐马尔科夫模型的出行异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103793599A true CN103793599A (zh) | 2014-05-14 |
Family
ID=50669261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410021376.0A Pending CN103793599A (zh) | 2014-01-17 | 2014-01-17 | 一种基于隐马尔科夫模型的出行异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793599A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426553A (zh) * | 2016-01-15 | 2016-03-23 | 四川农业大学 | 一种基于智能设备的目标实时跟踪预警方法以及系统 |
CN105653835A (zh) * | 2014-11-14 | 2016-06-08 | 北京宇航系统工程研究所 | 一种基于聚类分析的异常检测方法 |
CN105808923A (zh) * | 2016-02-29 | 2016-07-27 | 北京航空航天大学 | 一种数据序列的异常检测方法和装置 |
CN106682703A (zh) * | 2017-01-13 | 2017-05-17 | 北京航空航天大学 | 一种基于obd数据的驾驶人出行模式识别方法 |
CN106685996A (zh) * | 2017-02-23 | 2017-05-17 | 上海万雍科技股份有限公司 | 基于hmm模型的账号异常登录检测方法 |
CN106878314A (zh) * | 2017-02-28 | 2017-06-20 | 南开大学 | 基于可信度的网络恶意行为检测方法 |
CN106886486A (zh) * | 2017-03-28 | 2017-06-23 | 腾讯科技(深圳)有限公司 | 用户终端使用属性的评估方法和装置 |
CN107194176A (zh) * | 2017-05-23 | 2017-09-22 | 复旦大学 | 一种残疾人智能操作的数据填补与行为预测的方法 |
CN107239435A (zh) * | 2017-06-23 | 2017-10-10 | 中山大学 | 一种基于信息熵的出行周期检测方法 |
CN107818300A (zh) * | 2017-10-18 | 2018-03-20 | 河海大学 | 一种基于隐马尔科夫模型的步态去噪方法 |
CN108805729A (zh) * | 2018-06-14 | 2018-11-13 | 四川久远银海软件股份有限公司 | 一种异常就医轨迹判断方法与装置 |
CN110059919A (zh) * | 2019-03-07 | 2019-07-26 | 特斯联(北京)科技有限公司 | 一种基于大数据的人口异常信息检测方法和系统 |
CN112926657A (zh) * | 2021-02-26 | 2021-06-08 | 南京经纬达汽车科技有限公司 | 一种驾驶员加速意图建模方法及识别方法 |
CN115567562A (zh) * | 2022-10-28 | 2023-01-03 | 东北大学 | 一种矿山多元传感器数据采集、清洗及故障判别系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102487293A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 基于网控的卫星通信网异常检测方法 |
CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN102663429A (zh) * | 2012-04-11 | 2012-09-12 | 上海交通大学 | 运动目标的运动模式分类和动作识别的方法 |
CN102930302A (zh) * | 2012-10-18 | 2013-02-13 | 山东大学 | 基于在线序贯极限学习机的递增式人体行为识别方法 |
-
2014
- 2014-01-17 CN CN201410021376.0A patent/CN103793599A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102487293A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 基于网控的卫星通信网异常检测方法 |
CN102568200A (zh) * | 2011-12-21 | 2012-07-11 | 辽宁师范大学 | 车辆行驶状态实时判别的方法 |
CN102663429A (zh) * | 2012-04-11 | 2012-09-12 | 上海交通大学 | 运动目标的运动模式分类和动作识别的方法 |
CN102930302A (zh) * | 2012-10-18 | 2013-02-13 | 山东大学 | 基于在线序贯极限学习机的递增式人体行为识别方法 |
Non-Patent Citations (3)
Title |
---|
吴文亮: "聚类分析中K-均值与K-中心点算法的研究", 《中国优秀硕士学位论文全文数据库-信息科学辑》, no. 12, 15 December 2011 (2011-12-15) * |
孔令富等: "基于位置和运动轨迹的老年人异常行为检测", 《计算机工程与设计》, vol. 33, no. 2, 29 February 2012 (2012-02-29) * |
郑红梅: "基于GIS的行人导航系统研究与开发", 《中国优秀硕士学位论文全文数据库-基础科学辑》, no. 12, 15 December 2009 (2009-12-15), pages 38 - 54 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653835B (zh) * | 2014-11-14 | 2018-07-27 | 北京宇航系统工程研究所 | 一种基于聚类分析的异常检测方法 |
CN105653835A (zh) * | 2014-11-14 | 2016-06-08 | 北京宇航系统工程研究所 | 一种基于聚类分析的异常检测方法 |
CN105426553A (zh) * | 2016-01-15 | 2016-03-23 | 四川农业大学 | 一种基于智能设备的目标实时跟踪预警方法以及系统 |
CN105426553B (zh) * | 2016-01-15 | 2018-09-11 | 四川农业大学 | 一种基于智能设备的目标实时跟踪预警方法以及系统 |
CN105808923A (zh) * | 2016-02-29 | 2016-07-27 | 北京航空航天大学 | 一种数据序列的异常检测方法和装置 |
CN106682703A (zh) * | 2017-01-13 | 2017-05-17 | 北京航空航天大学 | 一种基于obd数据的驾驶人出行模式识别方法 |
CN106685996A (zh) * | 2017-02-23 | 2017-05-17 | 上海万雍科技股份有限公司 | 基于hmm模型的账号异常登录检测方法 |
CN106878314A (zh) * | 2017-02-28 | 2017-06-20 | 南开大学 | 基于可信度的网络恶意行为检测方法 |
CN106878314B (zh) * | 2017-02-28 | 2019-12-10 | 南开大学 | 基于可信度的网络恶意行为检测方法 |
CN106886486A (zh) * | 2017-03-28 | 2017-06-23 | 腾讯科技(深圳)有限公司 | 用户终端使用属性的评估方法和装置 |
CN106886486B (zh) * | 2017-03-28 | 2020-11-03 | 腾讯科技(深圳)有限公司 | 用户终端使用属性的评估方法和装置 |
CN107194176A (zh) * | 2017-05-23 | 2017-09-22 | 复旦大学 | 一种残疾人智能操作的数据填补与行为预测的方法 |
CN107194176B (zh) * | 2017-05-23 | 2020-07-28 | 复旦大学 | 一种残疾人智能操作的数据填补与行为预测的方法 |
CN107239435A (zh) * | 2017-06-23 | 2017-10-10 | 中山大学 | 一种基于信息熵的出行周期检测方法 |
CN107239435B (zh) * | 2017-06-23 | 2020-07-14 | 中山大学 | 一种基于信息熵的出行周期检测方法 |
CN107818300A (zh) * | 2017-10-18 | 2018-03-20 | 河海大学 | 一种基于隐马尔科夫模型的步态去噪方法 |
CN108805729A (zh) * | 2018-06-14 | 2018-11-13 | 四川久远银海软件股份有限公司 | 一种异常就医轨迹判断方法与装置 |
CN110059919A (zh) * | 2019-03-07 | 2019-07-26 | 特斯联(北京)科技有限公司 | 一种基于大数据的人口异常信息检测方法和系统 |
CN112926657A (zh) * | 2021-02-26 | 2021-06-08 | 南京经纬达汽车科技有限公司 | 一种驾驶员加速意图建模方法及识别方法 |
CN115567562A (zh) * | 2022-10-28 | 2023-01-03 | 东北大学 | 一种矿山多元传感器数据采集、清洗及故障判别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793599A (zh) | 一种基于隐马尔科夫模型的出行异常检测方法 | |
Barnett et al. | A prospective test of a criminal career model | |
WO2018122804A1 (zh) | 一种非等距时空划分的道路交通异常检测方法 | |
CN111653088B (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN102879791B (zh) | 一种基于北斗定位终端的老人活跃度数据感知系统 | |
EP2278573B1 (en) | Assessing road traffic conditions using data from multiple sources | |
US7706965B2 (en) | Rectifying erroneous road traffic sensor data | |
CN105225515A (zh) | 一种基于电子围栏的监控方法及系统 | |
CN104156473B (zh) | 一种基于ls‑svm的传感器检测数据异常片段检测方法 | |
KR101432437B1 (ko) | 수계수질상태의 진단 및 예측이 가능한 수질정보제공시스템 및 방법 | |
Horanont et al. | Large-scale auto-GPS analysis for discerning behavior change during crisis | |
CN104679970B (zh) | 一种数据检测方法及装置 | |
CN101567124A (zh) | 一种海洋灾害预警方法 | |
CN106647514A (zh) | 一种对水泥企业碳排放实时在线监测管理系统 | |
Li et al. | Empirical study of travel time estimation and reliability | |
CN109239807A (zh) | 降雨量评估方法及系统和终端 | |
CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
JP6644970B2 (ja) | 観測システム | |
CN117538503A (zh) | 一种实时智能的土壤污染监测系统及方法 | |
Bernardin Jr et al. | EXPANDING TRUCK GPS-BASED PASSIVE ORIGIN-DESTINATION DATA IN 9 IOWA AND TENNESSEE 10 | |
CN104865602A (zh) | 一种通过多数据源确定地震震中位置和起震时间的方法 | |
CN113393027B (zh) | 一种基于深度学习的航标漂移智能预测方法 | |
Shen et al. | Real-time road traffic fusion and prediction with GPS and fixed-sensor data | |
CN101923605A (zh) | 铁路防灾风预警方法 | |
CN106330544A (zh) | 一种基于自反馈模型的实时告警响应方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Three 310030 Hangzhou Road, Zhejiang province Xihu District Xiyuan No. 10 Building 1, 4 floor West Applicant after: ZHEJIANG YUANTU INTERCONNECTION TECHNOLOGY CO., LTD. Address before: Three 310030 Hangzhou Road, Zhejiang province Xihu District Xiyuan No. 10 Building 1, 4 floor West Applicant before: ZHEJIANG YUANTU INTELLIGENCE CONTROL SYSTEM CO., LTD. |
|
COR | Change of bibliographic data | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140514 |
|
RJ01 | Rejection of invention patent application after publication |