بررسی روشهای متوازنسازی دادهها در تشخیص ناهنجارشناسی در دادههای مکانی – زمانی به کمک مدلهای یادگیری گروهی

امروزه با پیشرفت سریع روشهای موقعیت یابی ، دادههای مکانی -زمانی به طور گستردهای در دسترس قرار گرفته اند. از این رو، استخراج دانش ارزشمند از این دادهها برای بسیاری از برنامه های کاربردی در دنیای واقعی حائز اهمیت است . از جمله دادههای مکانی -زمانی می توان به رویداد، خط سیر، نقاط مرجع ، دادههای شطرنجی و ویدئو اشاره کرد. با توجه به انواع این دادهها، قالب دادهها می تواند به صورت نقطه ، دنباله ، گراف، ماتریس دو بعدی یا تنسور سه بعدی باشد. یکی از کاربردهای ناهنجارشناسی در دادههای مکانی -زمانی تحلیل رفتار رانندگان است . به طور کلی تشخیص ناهنجاری در دادههای مکانی -زمانی و تحلیل آنها می تواند باعث کشف دانش ارزشمند دربارهی افراد، گروهها و وقایع مختلف شود. از طرفی تعداد، حجم و دقت دادههای مکانی -زمانی به سرعت در حال افزایش است . به همین علت این ناهنجارشناسی در زمینه های مختلف حائز اهمیت است . در این مقاله ، قصد داریم با استفاده از مجموعه دادهی تاکسی های سبز نیویورک سال ۲۰۲۲ و با کمک مدلهای یادگیری گروهی به شناسایی روشی مناسب تر در شناخت ناهنجاری در دادههای مکانی -زمانی بپردازیم . به منظور ارزیابی روش پیشنهادی از معیارهای ارزیابی رایج و ماتریس سردرگمی استفاده شده است . مدل پیشنهادی ما توانسته است به حدود ۲۰ درصد بهبود در معیار یادآوری نسبت به حالت پایه دست پیدا کند.

کلیدواژه ها:

دادههای مکانی -زمانی ، تشخیص ناهنجاری ، تحلیل رفتار راننده ، متوازنسازی داده ، یادگیری گروهی