多源时间序列中具有显著时间间隔的Shapelet对挖掘

Shapelet作为时间序列特征,具有较好的可解释性。Shapelet在行为识别、聚类分析及异常检测等方向均得到了广泛应用。但在电力运行监测、医学图像分析以及流媒体监测等领域,时间序列具有多源、同步的特点,仅对单一源上的时间序列提取Shapelet可能丢失序列间相关性。在Shapelet概念基础上,本文提出p-Shapelet作为不同源的Shapelet间关于时间间隔的特征表达,从而实现分析不同源Shapelet间的相关性。具体地,为找出不同类别样本间时间间隔具有最显著差异的Shapelet对,设计并实现了并行化挖掘的算法p-Shapelet miner。算法采用信息增益对不同源间的Shapelet对进行评价,并找出能最大化信息增益的Shapelet对（p-Shapelet）。利用CMU人体动作捕捉数据集进行实验,验证了算法的有效性与执行效率。     

基于分布式光纤传感系统的车辆轨迹提取方法

分布式光纤传感系统（Distributed Acoustic Sensing, DAS）具有可获取连续分布信息、受环境影响小、成本低等优势,该文提出了一种利用DAS系统进行车辆轨迹提取的方法,为实现智慧化高速公路环境中全时空交通状态感知提供基础。首先利用基于 -OTDR原理的DAS检测设备和高速公路通信光纤中的空闲纤芯,实时地采集车辆行驶时引发的地面振动信号;然后利用S变换在检测扰动方面的优势,逐通道地将振动信号变换到时-频域,累积车辆振动信号所处频域区间内的能量,并堆积所有通道的振动能量形成时空二维振动能量响应;最后,通过Radon变换将多条增强后的车辆轨迹转化为距离-速度域中多个奇异点,通过提取距离-速度域的奇异点无监督地分离及提取车辆行驶轨迹。该文在双向三车道的真实高速公路环境中对车辆轨迹提取方法进行了验证和测试。实验表明,与经典的小波变换去噪算法相比,所提基于S变换的方法在抑制噪声的同时增强车辆行驶产生的振动信号,增加了车辆轨迹与背景之间的对比度,更利于后续提取车辆轨迹;与Hough变换相比,所提基于Radon变换的方法能更好地聚集DAS时空二维振动信号中的车辆轨迹,且提取轨迹受干扰小。该文所提方法能实现高速公路DAS车辆检测信号的轨迹提取。