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

Yıl 2021, Cilt: 36 Sayı: 1, 373 - 394, 01.12.2020

Mustafa Datlıca , Erman Çakıt

https://doi.org/10.17341/gazimmfd.668215

Cited By: 1

Öz

Bu çalışmada, öncelikle takip cihazı ile konum ve zaman verileri toplanmış olup, takip edilen nesnelerin konum davranışlarındaki anomalileri tespit etmek amaçlanmıştır. Elde edilen veriler üzerinde ST-DBSCAN (Spatial-Temporal Density-Based Spatial Clustering of Applications with Noise) yoğunluk bazlı kümeleme algoritması uygulanarak 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 göstermektedir. Bu kapsamda ST-DBSCAN algoritmasında kullanılan parametreler ile veri gönderme sıklığı ve veri paketi sayısı, takip edilen nesnenin davranışlarına göre etiketlenmiştir. Etiketlenen bu veriler üzerinde doğrusal regresyon ve yapay sinir ağları yöntemleri karşılaştırılmış, kümeleme parametrelerinin tahminini yapabilecek bir model önerilmiştir. Haftalık örüntüler, takip edilen nesneye ait bilgiler kullanılarak geliştirilen yöntemler ile tespit edilmiş ve bu örüntüler takip edilen nesneye ait normal davranışlar olarak kabul edilmiştir. Anlık konumu elde edilen veri örüntüye aykırı ise anomali olarak tanımlanmıştır.

Anahtar Kelimeler

İzleme cihazları, , kümeleme algoritmaları, ST-DBSCAN, makine öğrenmesi, anomali tespiti

Kaynakça

• Bilgin, T.T., Çamurcu, Y. DBSCAN, OPTICS ve K-Means Kümeleme Algoritmalarının Uygulamalı Karşılaştırılması, Politeknik Dergisi, 8 (2), 139-145, 2005.
• Alpaydın, E. Yapay Öğrenme (çev. E. Alpaydın). Boğaziçi Üniversitesi Yayınevi, 2018.
• Birant, D., Kut, A. ST-DBSCAN: An algorithm for clustering spatial-temporal data, Data and Knowledge Engineering, 60, 208-221, 2007.
• 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.
• Topuz, M.D. Makine Öğrenmesi Algoritmaları ve Anomali Tespiti, Yüksek Lisans Tezi, Bahçeşehir Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2014.
• Chandola, V., Banerjee, A., & Kumar, V. Anomaly detection: A survey. ACM computing surveys (CSUR), 41(3), 15, 2009.
• 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, pp. 131-162, 2018.
• Scitovski, R., & Sabo, K. DBSCAN-like clustering method for various data densities. Pattern Analysis and Applications, 1-14, 2019.
• 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.
• 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, pp. 226-231, 1996.
• 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.
• 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.
• 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), 603-622, 2015.
• 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.
• 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 (pp. 215-223). Springer, Cham, 2017.
• 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.