Detecting Traffic Incidents Using Persistence Diagrams
Detecting Traffic Incidents Using Persistence Diagrams
复制标题
DOI：
10.3390/a13090222
复制
发表时间：
2020-09
期刊：
影响因子：
2.3
通讯作者：
Eric S. Weber;Steven N. Harding;Lee Przybylski
中科院分区：
文献类型：
--
作者：
Eric S. Weber;Steven N. Harding;Lee Przybylski
我们引入了一种用于时间序列数据异常检测的新颖方法。该方法使用持久性图和瓶颈距离来识别异常。具体来说，我们通过随机装袋数据（参考袋）来生成多个预测变量，然后对于每个数据点，将数据点替换为每个袋中随机选择的点（修改袋）。预测变量是参考/修改包对的瓶颈距离集合。随着行李数量的增加，我们证明了预测变量的稳定性。我们将我们的方法应用于交通数据并衡量识别已知事件的性能。
We introduce a novel methodology for anomaly detection in time-series data. The method uses persistence diagrams and bottleneck distances to identify anomalies. Specifically, we generate multiple predictors by randomly bagging the data (reference bags), then for each data point replacing the data point for a randomly chosen point in each bag (modified bags). The predictors then are the set of bottleneck distances for the reference/modified bag pairs. We prove the stability of the predictors as the number of bags increases. We apply our methodology to traffic data and measure the performance for identifying known incidents.