Item


Advanced techniques in trajectory data analysis for anomaly detection and map construction

With a large amount of trajectory data generated every day, there is a high demand for developing advanced techniques to discover the underlying information instead of dull and heavy manual work. This thesis focuses on the anomaly detection and map construction from GPS data. Anomaly detection aims to identify trajectories that do not follow common behaviors, and map construction deals with a set of trajectory data to generate a route graph that represents the main movement paths hidden in data. For online anomaly detection, we study the well-known Sequential Hausdorff Nearest-Neighbor Conformal Anomaly Detector (SHNN-CAD) approach, and propose an enhanced version called SHNN-CAD•. For map construction, we present a new, fast and robust three-step framework. Considering the storage limitation and computational cost dealing with large-scale data, we propose a split-and­merge strategy. Besides, we utilize the edge weight to visualize the map and remove the wrong edges.

La gran cantidad de datos de trayectorias generados cada día hace que exista una gran necesidad de desarrollar técnicas avanzadas para descubrir la información subyacente de los datos evitando un trabajo manual aburrido y pesado. Esta tesis se centra en la detección de anomalías y la construcción de mapas a partir de datos GPS. La detección de anomalías identifica trayectorias que no siguen comportamientos habituales; y la construcción de mapas recibe un conjunto de trayectorias y genera un grafo de caminos que representa los principales movimientos escondidos en los datos de entrada. Para detección de anomalías en línea, estudiamos el conocido detector SHNN- CAD y proponemos una versión mejorada llamada SHNN-CAD•. Para construcción de mapas, presentamos una estrategia con tres pasos nueva, rápida y robusta. Considerando datos a gran escala, proponemos una estrategia de división y fusión. También utilizamos el peso de las aristas para visualizar el mapa y eliminar las aristas incorrectas.

Universitat de Girona

Manager: Bardera i Reig, Antoni
Fort, Marta
Boada, Imma
Other contributions: Universitat de Girona. Departament d’Informàtica, Matemàtica Aplicada i Estadística (2013-)
Author: Yuejun, Guo
Date: 2020 May 29
Abstract: With a large amount of trajectory data generated every day, there is a high demand for developing advanced techniques to discover the underlying information instead of dull and heavy manual work. This thesis focuses on the anomaly detection and map construction from GPS data. Anomaly detection aims to identify trajectories that do not follow common behaviors, and map construction deals with a set of trajectory data to generate a route graph that represents the main movement paths hidden in data. For online anomaly detection, we study the well-known Sequential Hausdorff Nearest-Neighbor Conformal Anomaly Detector (SHNN-CAD) approach, and propose an enhanced version called SHNN-CAD•. For map construction, we present a new, fast and robust three-step framework. Considering the storage limitation and computational cost dealing with large-scale data, we propose a split-and­merge strategy. Besides, we utilize the edge weight to visualize the map and remove the wrong edges.
La gran cantidad de datos de trayectorias generados cada día hace que exista una gran necesidad de desarrollar técnicas avanzadas para descubrir la información subyacente de los datos evitando un trabajo manual aburrido y pesado. Esta tesis se centra en la detección de anomalías y la construcción de mapas a partir de datos GPS. La detección de anomalías identifica trayectorias que no siguen comportamientos habituales; y la construcción de mapas recibe un conjunto de trayectorias y genera un grafo de caminos que representa los principales movimientos escondidos en los datos de entrada. Para detección de anomalías en línea, estudiamos el conocido detector SHNN- CAD y proponemos una versión mejorada llamada SHNN-CAD•. Para construcción de mapas, presentamos una estrategia con tres pasos nueva, rápida y robusta. Considerando datos a gran escala, proponemos una estrategia de división y fusión. También utilizamos el peso de las aristas para visualizar el mapa y eliminar las aristas incorrectas.
Format: application/pdf
Other identifiers: http://hdl.handle.net/10803/673055
Document access: http://hdl.handle.net/10256/20303
Language: eng
Publisher: Universitat de Girona
Rights: ADVERTIMENT. Tots els drets reservats. L’accés als continguts d’aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d’investigació i docència en els termes establerts a l’art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l’autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s’autoritza la seva reproducció o altres formes d’explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d’un lloc aliè al servei TDX. Tampoc s’autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
Subject: Dades GPS
Datos GPS
GPS data
Mapes
Mapas
Maps
Cartografia
Cartography
Detecció d’anomalies
Detección de anomalías
Anomaly detection
Anàlisi de dades de trajectòries
Análisis de datos de trayectoria
Trajectories data analysis
68 - Indústries, oficis i comerç d’articles acabats. Tecnologia cibernètica i automàtica
91 - Geografia. Viatges
Title: Advanced techniques in trajectory data analysis for anomaly detection and map construction
Type: info:eu-repo/semantics/doctoralThesis
Repository: DUGiDocs

Subjects

Authors