基于朴素贝叶斯与高斯混合模型的大规模交通数据异常检测
计算机视觉与模式识别
2015-12-29 v1
摘要
检测交通数据中的异常值对于交通管理具有重要意义。然而，从大规模数据库中区分异常值对人类而言是一项海量任务。本文提出两种方法：核平滑朴素贝叶斯（NB）方法和高斯混合模型（GMM）方法，用于自动检测香港一个四臂交叉口收集的交通数据中的硬件错误以及异常交通事件。交通数据以视频格式记录，并通过统计转换为时空（ST）交通信号。随后利用主成分分析（PCA）将 ST 信号投影到二维（2D）（x,y）坐标平面进行降维。我们假设内点数据呈正态分布。因此，NB 和 GMM 方法成功应用于交通数据的异常检测（OD）。核平滑 NB 方法假设交通数据中存在核分布，并利用贝叶斯定理执行 OD。相反，GMM 方法认为交通数据由高斯分布混合形成，并利用置信区域进行 OD。本文阐述了每种方法的建模并评估其各自性能。实验结果表明，采用 Triangle 核的 NB 算法和 GMM 方法分别达到了 93.78% 和 94.50% 的准确率。
引用
@article{arxiv.1512.08413,
title = {Outlier Detection In Large-scale Traffic Data By Na\"ive Bayes Method and Gaussian Mixture Model Method},
author = {Philip Lam and Lili Wang and Henry Y. T. Ngan and Nelson H. C. Yung and Anthony G. O. Yeh},
journal= {arXiv preprint arXiv:1512.08413},
year = {2015}
}
备注
6 pages, 5 figures