基于lstm,自编码器auto-encode,时空密度聚类st-dbscan做异常检测 附完整代码

由时间空间成对组成的轨迹序列,通过循环神经网络,自编码器,时空密度聚类完成异常检测

1.rnn

  word embedding预训练时空点词向量,通过rnn预测下一个时空点的概率分布,计算和实际概率分布的kl离散度,kl距离越大异常分越高

  执行代码

python data_preprocessing.py
python data_loader.py
python pre_embedding.py
python main.py
python predict.py

  轨迹数据格式:hour_location hour_location hour_location ...

[1] 6_10101 7_10094 8_10096 9_10102 10_10097
[2] 6_10094 8_10103 10_10101 11_10103 11_10095 14_10097
[3] 12_10094 12_10094 12_10097 13_10096 13_10094 14_10097 16_10096 18_10102

 轨迹检测   [×]异常轨迹,[ ]正常轨迹

你可能感兴趣的:(深度学习神经网络实战100例,lstm,自编码器,时空密度聚类,st-dbscan)