Anomaaliate tuvastamine mobiilsidevõrgus CDR-põhistes trajektoorides
Nimi
Tiit Vaino
Kokkuvõte
Mobiilse kõne- ja andmeside andmestik on suurepärane viis inimeste asukoha ja liikumise ligikaudseks hindamiseks. Seda saaks eetiliselt kasutada nii valitsuste kui ka eraettevõtete poolt. Näiteks kasutavad hädaabiteenused inimeste telefonide asukohti, et teada saada, kuhu saata abi. Ligikaudne asukoht saadakse mobiili ja mobiilivõrgu andmete kombineerimisega mobiilivõrgu kärgede (mobiilimasti antennide katvusalade) asukohtadega. Mitmed asukoha sündmused koos järjestikuste ajatemplitega saab kokku panna üheks trajektooriks. Neid asukohti ja trajektoore võiks kasutada mitmesuguste valitsuse või ärivaldkonna küsimuste analüüsimiseks. On oluline tagada, et andmekogumid oleksid puhtad, et vältida vigaste analüüside põhjal kallite vigade tegemist.
Põhiline probleem on selles, et kärje asukoht andmebaasis ja reaalses elus ei kattu, sest on tehtud inimlik viga või andmebaaside pole sünkroonis. Antud magistritöö pakub välja mudeli anomaaliate tuvastamiseks CDR-põhistes trajektoorides, kasutades Trajectory Anomaly Detection with Mixed Feature sequence (TAD-FM) ehk siis trajektoori anomaaliate tuvastamine kombineeritud tunnusjoonte jadaga lähenemisviisi. Mudeli treenimine ja testimine viidi läbi reaalsete andmetega, kuhu olid integreeritud virtuaalsed anomaaliad, kus mõne kärje asukohti oli tahtlikult muudetud. Lisaks on mudelile tehtud täiustusi, et vähendada treenimise ja ennustamise ajalist keerukust. Pakutav mudel suutis märgistada ja tuvastada 66% kärgedest, millel olid valed asukohaandmed, kui kõrvalekalded.
Põhiline probleem on selles, et kärje asukoht andmebaasis ja reaalses elus ei kattu, sest on tehtud inimlik viga või andmebaaside pole sünkroonis. Antud magistritöö pakub välja mudeli anomaaliate tuvastamiseks CDR-põhistes trajektoorides, kasutades Trajectory Anomaly Detection with Mixed Feature sequence (TAD-FM) ehk siis trajektoori anomaaliate tuvastamine kombineeritud tunnusjoonte jadaga lähenemisviisi. Mudeli treenimine ja testimine viidi läbi reaalsete andmetega, kuhu olid integreeritud virtuaalsed anomaaliad, kus mõne kärje asukohti oli tahtlikult muudetud. Lisaks on mudelile tehtud täiustusi, et vähendada treenimise ja ennustamise ajalist keerukust. Pakutav mudel suutis märgistada ja tuvastada 66% kärgedest, millel olid valed asukohaandmed, kui kõrvalekalded.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Amnir Hadachi
Kaitsmise aasta
2024