内容简介:以上海外滩踩踏事件为例,提出我们如果能有一种用于跟踪异常移动趋势的技术,实时监测人群流动趋势,当人群流动趋势出现异常情况时,可及时做出反应以避免踩踏事故的发生。该技术还在研究完善过程中,现主要研究目标是:Urban computing、 Meteorology、 Public Health Surveillance即监控动态流时空数据、及时发现恶意事件和预测罕见的时空事件(未来工作)
方圆系列报告会之《大数据分析与可视化报告会》于4月4日清华大学内成功举办,现场邀请了清华大学副教授刘世霞、浙江大学教授陈为、同济大学教授曹楠和中国人民大学讲师张静共四位嘉宾进行学术演讲。
今天小编为大家带来的是曹楠老师“Interactive Visual Anomaly Detection and its Applications”演讲PPT分享。
曹楠
A Big Data Visualization Researcher Intelligent Big Data Visualization Lab (iDVx Lab) TongjiUniversity, Shanghai, China
“交互式视觉异常检测及其应用”
同济大学智能大数据可视化实验室(智能大数据可视化实验室,即iDV x 实验室)
曹楠老师演讲关键词之一:ANOMALY DETECTION(异常检测),异常检测是对不符合数据集中的预期模式或其他项目的项目,事件或观察的识别。
面临的挑战
接下来是对社交媒体(以推特为例)的发展趋势以及社交媒体用户画像的分析,引出“anonymous users are potential threats to the society ”,然后提出异常检测的最终目标:捕捉到存在异常行为的用户。
社交媒体用户画像和行为分析(附引用文献)以及如何进行异常检测捕捉到用户的异常行为
微言
用户行为主要有两种,一是发布,即创建消息并发布给其他人;二是回复和转发,即转播他人发布的信息。
通过功能捕获用户行为
时间局部异常因子,TLOF通过识别与测试数据中的其他用户明显不同的特征以及他自己的过去历史,为每个用户提供异常测量。
用户行为分析,创建消息和转发回复的传播趋势
用户可视化为由其重要性决定的圆圈,并按其异常分数着色
当用户发布或转发推文时,我们在活动发生时绘制垂直于时间弧的相应活动线程
以下三个圆状物,哪个才是表示较为正常的用户行为呢?答案是第一个。第二个圆状物黄色几乎覆盖了整个圆形,说明发文时间和发文频率过于密集,不符合正常人类使用社交媒体的行为习惯,疑似bot;第三个同理。
可视化用户特征
使用基线圆圈指示所有用户的平均特征值
沿着基线周围的要素轴绘制用户的要素值
特征动态
bot异常检测存在的挑战
Voila:使用流式时空数据进行视觉异常检测和监控
以上海外滩踩踏事件为例,提出我们如果能有一种用于跟踪异常移动趋势的技术,实时监测人群流动趋势,当人群流动趋势出现异常情况时,可及时做出反应以避免踩踏事故的发生。
该技术还在研究完善过程中,现主要研究目标是:Urban computing、 Meteorology、 Public Health Surveillance
即监控动态流时空数据、及时发现恶意事件和预测罕见的时空事件(未来工作)
驾驶员心电图行为监测
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- EnterpriseDB: 交互式命令行安装
- Go ssh 交互式执行命令
- 哭了!好美!交互式《几何原本》再现江湖
- 前端交互式图表绘制库GoJS介绍
- CVPR 2018:一种交互式纹理迁移通用框架
- Cockpit 182 发布,交互式服务器管理界面
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。