打孔盗油事件不但给国家造成巨大经济损失,还可能危害国家能源安全、生态安全和公共安全,对打孔盗油须防患于未然,以避免危害结果的发生。通过深入分析打孔盗油嫌疑车辆的行为特征,引入多维度增量式DBSCAN算法(increment Density-Based ...打孔盗油事件不但给国家造成巨大经济损失,还可能危害国家能源安全、生态安全和公共安全,对打孔盗油须防患于未然,以避免危害结果的发生。通过深入分析打孔盗油嫌疑车辆的行为特征,引入多维度增量式DBSCAN算法(increment Density-Based Spatial Clustering of Applications with Noise,IncDBSCAN),挖掘公安视频监控车辆抓拍数据中的潜在规律,可有效识别在管道保护区内活动的涉嫌盗油异常车辆。在与传统的支持向量机(Support Vector Machine,SVM)、基于密度带有噪声的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)、K均值聚类算法(K-Means Clustering Algorithm,K-Means)的对比试验中,多维度IncDBSCAN模型具有更好的检测效果,其精确率为85%,召回率为82%,F1值为83.4%,均优于其他模型。该方法为输油管道打孔盗油视频智能预警提供了一种新的思路和手段。展开更多
文摘打孔盗油事件不但给国家造成巨大经济损失,还可能危害国家能源安全、生态安全和公共安全,对打孔盗油须防患于未然,以避免危害结果的发生。通过深入分析打孔盗油嫌疑车辆的行为特征,引入多维度增量式DBSCAN算法(increment Density-Based Spatial Clustering of Applications with Noise,IncDBSCAN),挖掘公安视频监控车辆抓拍数据中的潜在规律,可有效识别在管道保护区内活动的涉嫌盗油异常车辆。在与传统的支持向量机(Support Vector Machine,SVM)、基于密度带有噪声的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)、K均值聚类算法(K-Means Clustering Algorithm,K-Means)的对比试验中,多维度IncDBSCAN模型具有更好的检测效果,其精确率为85%,召回率为82%,F1值为83.4%,均优于其他模型。该方法为输油管道打孔盗油视频智能预警提供了一种新的思路和手段。
