Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti

DATLICA, MUSTAFA TOLGA; Çakıt, Erman

doi:10.17341/gazimmfd.668215

Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti

Mustafa Tolga Datlıca, (Atel Teknoloji ve Savunma A.Ş., Ankara, Türkiye)

Erman Çakıt (Gazi Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Bölümü, Ankara, Türkiye)

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

1 0

Yıl: 2021 Cilt: 36 Sayı: 1 Sayfa Aralığı: 373 - 394 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.668215 İndeks Tarihi: 10-11-2022

Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti

Öz:

Bu çalışmada, takip cihazı kullanılarak konum ve zaman verilerinin toplanması ve takip edilen nesnelerin konum davranışlarındaki anormalliklerin tespit edilmesi amaçlanmıştır. Elde edilen verilere ST-DBSCAN (Spatial-Temporal Density-Based Spatial Clustering of Applications with Noise) yoğunluk bazlı kümeleme algoritması uygulanmış ve takip edilen nesneye ait hangi zaman aralıklarında nerede olduğuna dair haftalık örüntüler tespit edilmiştir. ST-DBSCAN algoritmasının girdi parametreleri, takip cihazından gelen verinin sıklığı ve toplam veri paketi sayısına göre değişiklik göstermiştir. Takip edilen nesnenin davranışlarına göre ST-DBSCAN algoritmasındaki parametreler kullanılarak veri gönderme sıklığı ve veri paketi sayısı etiketlenmiştir. Etiketlenen veriler kullanılarak doğrusal regresyon ve yapay sinir ağları yöntemleri karşılaştırılmış ve kümeleme parametrelerinin tahminini yapabilecek bir model önerilmiştir. Haftalık örüntüler, geliştirilen yöntemler ile takip edilen nesneye ait bilgiler kullanılarak belirlenmiş ve bu örüntüler takip edilen nesneye ait normal davranışlar olarak kabul edilmiştir. Anlık konumu elde edilen veri örüntüye aykırı ise anormal olarak tanımlanmıştır. Böylece normal davranışı bilinen nesnenin, normal davranış desenine uymayan davranışları karşılaştırılarak anormallik tespitini yapabilecek bir yöntem önerilmiştir. Önerilen yöntem farklı gruplar için (çocuk, yaşlı, hasta vb.) erken uyarı sistemi olarak kullanılabilir.

Anahtar Kelime: İzleme cihazları kümeleme algoritmaları ST-DBSCAN makine öğrenmesi anormallik tespiti

Estimation of clustering parameters and anomaly detection in tracking devices with changeable position time

Öz:

In this study, it was aimed to detect anomalies in the location behavior of objects followed by a tracking device. ST-DBSCAN (Spatial-Temporal Density-Based Spatial Clustering of Applications with Noise) density-based clustering algorithm was applied on the data obtained, and weekly patterns were determined for the subject to be located at which time intervals. The input parameters of the ST-DBSCAN algorithm vary according to the frequency of the data from the tracker and the total number of data packets. In this context, the parameters used in the St-DBSCAN algorithm, as well as the frequency of sending data and the number of data packets, are labeled according to the behavior of the object being followed. On these tagged data, linear regression and artificial neural networks methods were compared and a model was proposed that could predict clustering parameters. Weekly patterns were determined by methods developed using information about the object being followed, and these patterns were considered to be normal behaviors of the object being tracked. The instantaneous position is defined as an anomaly if the data obtained is contrary to the pattern. Thus, a method has been proposed to detect anomalies by comparing the behavior of the object known to be normal behavior that does not fit the normal behavior pattern. The proposed method can be used as an early warning system for different groups (children, elder people, sick people, etc.).

Anahtar Kelime: Tracking devices clustering algorithms ST-DBSCAN machine learning anomaly detection

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

1. Topuz M.D., Makine Öğrenmesi Algoritmaları ve Anomali Tespiti, Yüksek Lisans Tezi, Bahçeşehir Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2014.
2. Bilgin T.T., Çamurcu Y., DBSCAN, OPTICS ve K- Means Kümeleme Algoritmalarının Uygulamalı Karşılaştırılması, Politeknik Dergisi, 8 (2), 139-145, 2005.
3. Birant D., Kut A., ST-DBSCAN: An algorithm for clustering spatial-temporal data, Data and Knowledge Engineering, 60, 208-221, 2007.
4. Alpaydın E., Yapay Öğrenme (çev. E. Alpaydın), Boğaziçi Üniversitesi Yayınevi, 2018.
5. Duan L., Xu L., Guo F., Lee J., Yan B., A local-density based spatial clustering algorithm with noise, Information Systems, 32 (7), 978-986, 2007.
6. Chandola V., Banerjee A., & Kumar V., Anomaly detection: A survey. ACM computing surveys (CSUR), 41 (3), 15, 2009.
7. Kang M., Machine Learning: Anomaly Detection. In M. G. Pecht and M. Kang (Eds.), Prognostics and Health Management of Electronics: Fundamentals, Machine Learning, and the Internet of Things. John Wiley and Sons, NJ, 131-162, 2018.
8. Hong Z., Chen Y., and Mahmassani H., Recognizing Network Trip Patterns Using a Spatio-Temporal Vehicle Trajectory Clustering Algorithm, IEEE Transactions on Intelligent Transportation Systems, 2548 – 2557, 2017.
9. Yuan J., Zheng Y., Zhang C., Xie W., Xie X., Sun G., and Huang Y., T-Drive: Driving Directions Based on Taxi Trajectories, Data and Knowledge Engineering, 87, 357-373, 2013.
10. Lee J., and Whang K., Trajectory Clustering: A Partition-and-Group Framework, SIGMOD International Conference on Management of Data, 593- 604, 2007.
11. Won J., Kim S., Baek J., and Lee J., Trajectory Clustering in Road Network Environment, IEEE Symposium on Computational Intelligence and Data Mining, 299-305, 2009.
12. Zhang D., Lee K., and Lee I., Mining Medical Periodic Patterns from Spatio-Temporal Trajectories. Lecture Notes in Computer Science, 123–133, 2018.
13. Gong S., Cartlidge J., Bai R., Yue Y., Li Q., and Qiu G., Extracting Activity Patterns From Taxi Trajectory Data: A Two-Layer Framework Using Spatio-Temporal Clustering, Bayesian Probability and Monte Carlo Simulation. International Journal of Geographical Information Science, 1–25, 2019.
14. Wang Z., Hu J., and Fan Q., Extracting the Main Routes and Speed Profiles Between Two Locations from Massive Uncertain Historical Trajectories, 2018 International Symposium in Sensing and Instrumentation in IoT Era (ISSI), 2018.
15. Wai K. P., and Nwe Aung T., Distance-based Clustering of Moving Objects’ Trajectories from Spatiotemporal Big Data*, 2018 IEEE/ACIS 17th International Conference on Computer and Information Science (ICIS), 2018.
16. Chimwayi K. B., and Anuradha J., Clustering West Nile Virus Spatio-temporal Data Using ST-DBSCAN, Procedia Computer Science, 132, 1218–1227, 2018.
17. Trisminingsih, R., & Shaztika, S. S., ST-DBSCAN clustering module in SpagoBI for hotspots distribution in Indonesia. In 2016 3rd International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE), 327-330, IEEE, 2016.
18. Wang S., Cai T., Eick C.F., New spatiotemporal clustering algorithms and their applications to ozone pollution. In: Proceedings of the 2013 IEEE 13th International Conference on Data Mining Workshops, ICDMW 2013, IEEE Computer Society, Washington, DC, 1061–1068, 2013.
19. Joshi D., Samal A., Soh L.K., Spatio-temporal polygonal clustering with space and time as first-class citizens, Geoinformatica, 17 (2), 387–412, 2013.
20. Wang M., Wang A., Li A., Mining spatial-temporal clusters from geo-databases. In: Li, X., Za ̈ıane, O.R., Li, Z. (eds.) ADMA 2006. LNCS (LNAI), Springer, Heidelberg, 4093, 263–270, 2006.
21. Chen T., Bowers K., Cheng T., Zhang Y., & Chen P., Exploring the homogeneity of theft offenders in spatio- temporal crime hotspots. Crime Science, 9 (1), 1-13, 2020.
22. Wang W., Du S., Guo Z., Luo L., Polygonal clustering analysis using multilevel graph-partition, Trans. GIS, 19 (5), 716–736, 2015.
23. Zhang Y., Eick C.F., Novel clustering and analysis techniques for mining spatiotemporal data. In: Proceedings of the 1st ACM SIGSPATIAL PhD Workshop, SIGSPATIAL PhD 2014, 2:1–2:5. ACM, New York, 2014.
24. Damiani M.L., Issa H., Fotino G., Heurich M., Cagnacci F., Introducing ‘presence’ and ‘stationarity index’ to study partial migration patterns: an application of a spatio-temporal clustering technique, Int. J. Geogr. Inf. Sci., 30 (5), 907–928, 2016.
25. Izakian H., Pedrycz W., Jamal I., Clustering spatiotemporal data: an augmented fuzzy c-means, IEEE Trans. Fuzzy Syst., 21 (5), 855–868, 2013.
26. Izakian H., Pedrycz W., Anomaly detection and characterization in spatial time series data: a cluster- centric approach, IEEE Trans. Fuzzy Syst., 22 (6), 1612–1624, 2014.
27. Lai W., Zhou M., Hu F., Bian K., & Song Q., A new DBSCAN parameters determination method based on improved MVO. IEEE Access, 7, 104085-104095, 2019.
28. Iyengar V.S., On detecting space-time clusters. In: Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 587–592. ACM, 2004.
29. Schubert E., Zimek A., Kriegel H.P., Local outlier detection reconsidered: a generalized view on locality with applications to spatial, video, and network outlier detection. Data Min. Knowl. Disc. 28 (1), 190–237, 2014.
30. Mohan P., Shekhar S., Shine J.A., Rogers J.P., Cascading spatio-temporal pattern discovery, IEEE Trans. Knowl. Data Eng., 24 (11), 1977–1992, 2012.
31. Shekhar S., Evans M.R., Kang J.M., Mohan P., Identifying patterns in spatial information: a survey of methods. Wiley Interdisc. Rev.: Data Mining Knowl. Discov., 1 (3), 193–214, 2011.
32. Nanni M., Pedreschi D., Time-focused clustering of trajectories of moving objects, J. Intell. Inf. Syst., 27 (3), 267–289, 2006.
33. Li Z., Spatiotemporal pattern mining: algorithms and applications. In: Aggarwal, C.C., Han, J. (eds.) Frequent Pattern Mining, Springer, Cham, 283–306, 2014.
34. Palma A.T., Bogorny V., Kuijpers B., Alvares L.O., A clustering-based approach for discovering interesting places in trajectories. In: Proceedings of the 2008 ACM Symposium on Applied Computing, SAC 2008, ACM, New York, 863–868, 2008.
35. Gudmundsson J., van Kreveld M., Computing longest duration flocks in trajectory data. In: Proceedings of the 14th Annual ACM International Symposium on Advances in Geographic Information Systems, GIS 2006, ACM, New York, 35–42, 2006.
36. Jeung H., Yiu M.L., Zhou X., Jensen C.S., Shen H.T., Discovery of convoys in trajectory databases, Proc. VLDB Endow, 1 (1), 1068–1080, 2008.
37. Li Z., Ding B., Han J., Kays R., Swarm: mining relaxed temporal moving object clusters, Proc. VLDB Endow, 3 (1–2), 723–734, 2010.
38. Scitovski R., Sabo K., DBSCAN-like clustering method for various data densities, Pattern Analysis and Applications, 1-14, 2019.
39. Wang X., Zhang Y., Liu H., Wang Y., Wang L., & Yin B., An Improved Robust Principal Component Analysis Model for Anomalies Detection of Subway Passenger Flow, Journal of Advanced Transportation, 2018.
40. Ester M., Kriegel H.-P., Sander J., Xu X., A density- based algorithm for discovering clusters a density-based algorithm for discovering clusters in large spatial databases with noise. In E. Simoudis, J. Han, U. Fayyad (Eds.). Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. American Association for Artificial Intelligence, Portland, 226-231, 1996.
41. Pasin O., Ankarali H., Usage of Kernel K-Means and DBSCAN Cluster Algorıthms in Health Studies: An Application, Clin Res Trials, 1, doi: 10.15761/CRT.1000116, 2015.
42. Çakit E., Durgun B., & Cetik O., A neural network approach for assessing the relationship between grip strength and hand anthropometry, Neural Network World, 25 (6), 603, 2015.
43. Çakıt E., Karwowski W., Estimating electromyography responses using an adaptive neuro fuzzy inference system with subtractive clustering, Human Factors and Ergonomics in Manufacturing & Service Industries, 27 (4), 177-186, 2017.
44. Başoğlu B., Bulut M., Development of a hybrid system based on neural networks and expert systems for shortterm electricity demand forecasting, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (2), 575-583, 2017.
45. Yıldız O., Melanoma detection from dermoscopy images with deep learning methods: A comprehensive study, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (4), 2241-2260, 2019.
46. Çakıt E., Karwowski W., Understanding the social and economic factors affecting adverse events in an active theater of war: a neural network approach. In International Conference on Applied Human Factors and Ergonomics Springer, Cham, 215-223, 2017.
47. Choubin B., Khalighi-Sigaroodi S., Malekian A., & Kişi Ö., Multiple linear regression, multi-layer perceptron network and adaptive neuro-fuzzy inference system for forecasting precipitation based on large-scale climate signals, Hydrological Sciences Journal, 61 (6), 1001- 1009, 2016.

APA	DATLICA M, Çakıt E (2021). Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. , 373 - 394. 10.17341/gazimmfd.668215
Chicago	DATLICA MUSTAFA TOLGA,Çakıt Erman Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. (2021): 373 - 394. 10.17341/gazimmfd.668215
MLA	DATLICA MUSTAFA TOLGA,Çakıt Erman Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. , 2021, ss.373 - 394. 10.17341/gazimmfd.668215
AMA	DATLICA M,Çakıt E Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. . 2021; 373 - 394. 10.17341/gazimmfd.668215
Vancouver	DATLICA M,Çakıt E Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. . 2021; 373 - 394. 10.17341/gazimmfd.668215
IEEE	DATLICA M,Çakıt E "Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti." , ss.373 - 394, 2021. 10.17341/gazimmfd.668215
ISNAD	DATLICA, MUSTAFA TOLGA - Çakıt, Erman. "Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti". (2021), 373-394. https://doi.org/10.17341/gazimmfd.668215

APA	DATLICA M, Çakıt E (2021). Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(1), 373 - 394. 10.17341/gazimmfd.668215
Chicago	DATLICA MUSTAFA TOLGA,Çakıt Erman Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36, no.1 (2021): 373 - 394. 10.17341/gazimmfd.668215
MLA	DATLICA MUSTAFA TOLGA,Çakıt Erman Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.36, no.1, 2021, ss.373 - 394. 10.17341/gazimmfd.668215
AMA	DATLICA M,Çakıt E Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(1): 373 - 394. 10.17341/gazimmfd.668215
Vancouver	DATLICA M,Çakıt E Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(1): 373 - 394. 10.17341/gazimmfd.668215
IEEE	DATLICA M,Çakıt E "Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36, ss.373 - 394, 2021. 10.17341/gazimmfd.668215
ISNAD	DATLICA, MUSTAFA TOLGA - Çakıt, Erman. "Değiştirilebilir konum süresine sahip takip cihazlarında kümeleme parametrelerinin tahmini ve anormallik tespiti". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/1 (2021), 373-394. https://doi.org/10.17341/gazimmfd.668215