Högskolan i Skövde

his.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Anomaly Detection for Road Traffic: A Visual Analytics Framework
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificia l Intelligence Lab (SAIL))ORCID-id: 0000-0003-2900-9335
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Interaction Lab (ILAB))ORCID-id: 0000-0001-6310-346X
Volvo Group Trucks Technology (GTT), Advanced Technology and Research, Gothenburg, Sweden.
2017 (Engelska)Ingår i: IEEE transactions on intelligent transportation systems (Print), ISSN 1524-9050, E-ISSN 1558-0016, Vol. 18, nr 8, s. 2260-2270, artikel-id 7887700Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

The analysis of large amounts of multidimensional road traffic data for anomaly detection is a complex task. Visual analytics can bridge the gap between computational and human approaches to detecting anomalous behavior in road traffic, making the data analysis process more transparent. In this paper, we present a visual analytics framework that provides support for: 1) the exploration of multidimensional road traffic data; 2) the analysis of normal behavioral models built from data; 3) the detection of anomalous events; and 4) the explanation of anomalous events. We illustrate the use of this framework with examples from a large database of real road traffic data collected from several areas in Europe. Finally, we report on feedback provided by expert analysts from Volvo Group Trucks Technology, regarding its design and usability.

Ort, förlag, år, upplaga, sidor
Institute of Electrical and Electronics Engineers , 2017. Vol. 18, nr 8, s. 2260-2270, artikel-id 7887700
Nyckelord [en]
Anomaly detection, visual analytics, normal traffic model, intelligent transport systems
Nationell ämneskategori
Datavetenskap (datalogi)
Forskningsämne
Skövde Artificial Intelligence Lab (SAIL); Interaction Lab (ILAB); INF301 Data Science; INF302 Autonoma intelligenta system
Identifikatorer
URN: urn:nbn:se:his:diva-14111DOI: 10.1109/TITS.2017.2675710ISI: 000407347300022Scopus ID: 2-s2.0-85017131904OAI: oai:DiVA.org:his-14111DiVA, id: diva2:1141222
Forskningsfinansiär
KK-stiftelsen, 20140294
Anmärkning

© 2017 IEEE. Personal use is permitted, but republication/redistribution requires IEEE permission.

Tillgänglig från: 2017-09-14 Skapad: 2017-09-14 Senast uppdaterad: 2021-01-14Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Person

Riveiro, MariaLebram, Mikael

Sök vidare i DiVA

Av författaren/redaktören
Riveiro, MariaLebram, Mikael
Av organisationen
Institutionen för informationsteknologiForskningscentrum för Informationsteknologi
I samma tidskrift
IEEE transactions on intelligent transportation systems (Print)
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 659 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf