CN108345666A - 一种基于时间-空间孤立点的车辆异常轨迹检测方法 - Google Patents
一种基于时间-空间孤立点的车辆异常轨迹检测方法 Download PDFInfo
- Publication number
- CN108345666A CN108345666A CN201810118580.2A CN201810118580A CN108345666A CN 108345666 A CN108345666 A CN 108345666A CN 201810118580 A CN201810118580 A CN 201810118580A CN 108345666 A CN108345666 A CN 108345666A
- Authority
- CN
- China
- Prior art keywords
- track
- time
- point
- abnormality
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 2
- 210000004209 hair Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 102100021711 Ileal sodium/bile acid cotransporter Human genes 0.000 description 1
- 101710156096 Ileal sodium/bile acid cotransporter Proteins 0.000 description 1
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2272—Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06Q50/40—
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Abstract
本发明公开了一种基于时间‑空间孤立点的车辆异常轨迹检测方法。步骤如下:步骤1,轨迹预处理,并对网格轨迹进行去重和补全;步骤2,匹配轨迹对,建立离线对比轨迹库;步骤3,对输入的待测轨迹进行轨迹空间与时间支持度计算,得到疑似异常轨迹点集合和异常轨迹点集合;步骤4,建立轨迹点异常度计算函数和轨迹异常度计算函数;步骤5,计算并实时输出轨迹异常度和异常子轨迹;本发明通过使用空间隔离和时间隔离的方法,给出了实时的轨迹异常度和异常证据,有良好的异常检测覆盖率,误警率低,可以有效应用于城市车辆的实时异常轨迹检测。
Description
技术领域
本发明属于智能交通、大数据挖掘及机器学习领域,特别是一种基于时间-空间孤立点的车辆异常轨迹检测方法。
背景技术
异常轨迹检测是挖掘数据集中的孤立点或者异常点,常见的关于异常的定义由Hawkins在1980年提出,即异常是在数据集中与其他对象相比产生严重偏差的数据,且这些数据并非由于随机偏差产生,而是由于数据本身存在的规律。在城市交通系统中,由于道路网络复杂,交通事故、道路堵塞等异常交通事件往往容易扩散成大面积交通问题,造成城市中车辆异常实例的模型难以确定。异常实例模型建立时的偏差最后会导致异常轨迹检测结果精确度较低。
针对不同的轨迹模型,在国外已有一些相关研究成果。美国卡内基梅隆大学的SLiu等人提出了基于速度的异常检测系统SFDS对出租车行为进行建模并检测出租车欺诈行为,通过GPS信息来构建出租车轨迹,计算城市地图的实际服务距离得到该行为是否异常。澳大利亚悉尼大学的L Pang等人提出了基于网格似然比的异常检测模型,使用主要用于流行病学研究的似然比检验的统计量LRT来描述交通模型,在一定时间间隔内检测网格区域中最大偏离轨迹的异常估计。
国内在异常轨迹检测方面也已有一些研究成果。南京大学的D Zhang等人提出了一种基于隔离的异常轨迹检测方法IBAT,该算法针对现代城市中自动检测出租车欺诈或路网变化的需求,将所有出发点的轨迹进行分组,并将每个出发点轨迹表示为一个符号序列,实验结果表明在数据集较小时该算法性能显著。重庆大学的C Chao等人提出了一种在线异常检测算法,该算法基于隔离的思想,通过一个滑动工作窗口比较输入轨迹与它时间相关的历史正常路线来计算每个子轨迹的异常度,进而汇总得到完整轨迹的异常度,实验结果表明该算法在一定条件下准确率较高,但只考虑了空间上的异常度,对轨迹体时间异常方面分析较少。
大多数现有的基于模型的异常检测方法会构建正常实例的模型,然后将不符合正常模型的实例标识为异常。异常检测方法中基于分类的方法、基于聚类的方法和基于统计学的方法等都使用这种思想。然而,这种方案有两个主要缺点,第一,异常检测器被优化后只能分析与识别正常实例,却无法经过优化后检测异常实例,这会导致异常检测结果误警率过高或者异常检测覆盖率较低;第二,计算复杂度过高,只能应用于低维数据或数据量较小的情况。
发明内容
本发明的目的是针对城市环境中车辆异常轨迹检测结果误警率高、覆盖率不足的问题,提供一种基于时间-空间孤立点的车辆异常轨迹检测方法。
实现本发明的技术解决方案为:一种基于时间-空间孤立点的车辆异常轨迹检测方法,具体包括以下步骤:
步骤1、对车辆轨迹集进行预处理,将预处理后形成的离散网格轨迹进行去重和补全,形成连续网格轨迹;
步骤2、对连续网格轨迹进行匹配,得到轨迹对,之后对轨迹对进行分类,形成热门轨迹对集合,将轨迹对内的所有轨迹重索引,形成离线对比轨迹库;
步骤3、对输入的待测轨迹t进行轨迹支持度计算,通过计算空间支持度Rsup和时间支持度Tsup,得到疑似异常轨迹点集合ρ和异常轨迹点集合
步骤4、建立轨迹点异常度计算函数σ(·)和轨迹异常度计算函数abnormality(·);
步骤5、将空间支持度Rsup和时间支持度Tsup带入步骤4中的轨迹点异常度计算函数σ(·)和轨迹异常度计算函数abnormality(·),得到当前待测轨迹的实时异常度,并根据异常轨迹点集合输出异常子轨迹。
本发明与现有技术相比,其显著优点为:1)本发明通过采用倒索引的方法对轨迹库信息进行查找,减少了检测时间,达到实时检测;2)本发明针对基于隔离的异常检测模型,在空间隔离的基础上加入了时间隔离思想,重新设计其异常检测流程,进一步提升了异常检测方法的性能;3)本发明将基于时空隔离的异常轨迹检测方法应用对真实的出租车数据集进行参数训练后,误警率降低,检测覆盖率进一步增大,并且在处理大规模数据的情况下,检测的实时率能够得到保障。
下面结合附图对本发明作进一步详细阐述。
附图说明
图1为本发明的一种基于时间-空间孤立点的车辆异常轨迹检测方法流程图。
图2为示例实验区域图。
图3为不同Ψ值下的AUC及运行时间图。
图4为不同θ值下的AUC及运行时间图。
图5为不同算法在各数据集上的时间成本图。
图6为异常检测结果图,其中图(a)为数据集中的所有轨迹图,图(b)为检测出的异常轨迹图,图(c)为其中某一条异常轨迹的空间支持度与时间支持度的变化图。
具体实施方式
结合附图,本发明的一种基于时间-空间孤立点的车辆异常轨迹检测方法,包括以下步骤:
步骤1、对车辆轨迹集进行预处理,将预处理后形成的离散网格轨迹进行去重和补全,形成连续网格轨迹;
所述的轨迹预处理方法为:将相同车辆ID的数据归为一类,之后按时间顺序进行排序,将一定范围内的地图区域网格化后形成矩阵H,利用映射函数τ(·)将所有GPS原始数据点转换为网格数据点,即τ(pi)=gi,其中pi为GPS原始数据点,gi={m,n,time},m与n分别为所在网格在矩阵中的行和列,time为GPS时间;
所述的网格轨迹去重和补全为:将每个离散点gi按网格中心连接形成一段轨迹,将这段轨迹经过的网格的数据进行补全,包括行m、列n和GPS时间,补全的网格GPS时间取它的前一个真实网格数据点的GPS时间,最后,轨迹t转化为t=<g1,g2,…,gn>,实际点与填充点都包含在轨迹之中。
步骤2、对连续网格轨迹进行匹配,得到轨迹对,之后对轨迹对进行分类,形成热门轨迹对集合,将轨迹对内的所有轨迹重索引,形成离线对比轨迹库;所述的对连续网格轨迹进行匹配具体为:
从所有轨迹中筛选出所有终点和起点相同的轨迹,形成轨迹集合T,并标记为<S,D,Stime>,其中S为轨迹起始点网格号,D为轨迹目的地网格号,Stime为该集合中所有轨迹发生的时间段;
所述的轨迹分类为,按不同的时间段Stime将轨迹分为不同的集合,对于不同的集合Ti和每个集合中不同的轨迹tj,利用集合编号i与轨迹编号j分别进行检索;
所述的重索引为,利用倒序索引进行轨迹检索,原有索引方式以轨迹为主体,轨迹ti的具体索引方式为:ti=gS→gx→…→gD,其中按时间顺序排列着Ti经过的每个网格点,x表示轨迹Ti经过的所有网格点在网格数据矩阵中的编号;倒序索引后的轨迹索引方式以网格点为主体,gi:{(Tn,no,time)…},其中gi为任意一个网格点,tn为经过该网格点的轨迹,no为网格点gi在轨迹tn中的序号,time为该点的时间信息,下标为轨迹编号。
步骤3、对输入的待测轨迹t进行轨迹支持度计算,通过计算空间支持度Rsup和时间支持度Tsup,得到疑似异常轨迹点集合ρ和异常轨迹点集合所述对输入的待测轨迹t进行轨迹支持度计算方法为:
步骤3-1、确定离线对比轨迹库中的轨迹t是否包含当前待测数据点g,所述确定方法为下式:
其中,N(g)表示数据点g周围的9个网格,所述网格包括g,只要对比轨迹中包含N(g)中的任意一点,就可表示该数据点g在对比轨迹中;
步骤3-2、将当前待测数据点g分别加入到空间检测窗口ω和时间检测窗口γ中,然后计算空间支持度Rsup,确定待测轨迹当前输入数据点的空间支持度,所述确定方法为下式:
其中,SamPath函数用于返回离线对比轨迹库中包含当前待测轨迹t的所有轨迹,参数θ为一个划分阈值,若Rsup结果小于θ,那么t为异常,否则为正常;
步骤3-3、若空间支持度小于阈值θ,则该点空间异常,将该点加入到怀疑轨迹集合ρ中,集合Ti还原为原始离线对比轨迹集T0,空间检测窗口只保留当前输入点g;若空间支持度大于阈值θ,那么该点空间正常,令对比轨迹t′=〈gx,D〉,即t′包含两个数据点,gx为当前时间检测窗口的第一个数据点,D为该轨迹的终点;
步骤3-4、确定当前情况下预计到达终点的时间花销Cost,所述公式为:
其中,gy为当前时间检测集合中的最后一位,spent(gx,gy)为gx到gy所花费的时间,为离线对比轨迹库中gy到终点D所花费的平均时间;
步骤3-5、确定时间支持度Tsup,所述公式为:
Tsup(T,t′,Cost)=1-LesPath(SamPath(T0,t),Cost)|/|T0|<θ
其中,LesPath函数返回离线对比轨迹库中轨迹行驶时间比参数Cost少的轨迹;
步骤3-6、若时间支持度小于阈值θ,则当前怀疑轨迹集ρ确定为异常轨迹,加入到异常轨迹点中;将怀疑轨迹集置空,时间窗口γ只保留最后一个数据点gy;将离线对比轨迹集缩小为只包含当前空间检测窗口的轨迹集。
步骤4、建立轨迹点异常度计算函数σ(·)和轨迹异常度计算函数abnormality(·);所述建立异常度计算函数的方法为:
步骤4-1、建立轨迹点异常度计算函数,所述计算公式为:
其中,Tsup为当前时间检测窗口的时间支持度,参数λ是为了让函数值下降的更加快速的调节因子;
步骤4-2、建立轨迹异常度计算函数,所述公式为:
abnormality(i)=abnormality(i-1)+σTsup)*dist(px,py)
其中,i为当前输入数据点在待测轨迹中的编号,abnormality(i)为当前所有输入轨迹的总异常度,abnormality(i-1)为当前数据点未进入时的总异常度,dist(pox,poy)为当前时间检测窗口中第一个数据点px和最后一个数据点py的实际GPS距离。
步骤5、将空间支持度Rsup和时间支持度Tsup带入步骤4中的轨迹点异常度计算函数σ(·)和轨迹异常度计算函数abnormality(·),得到当前待测轨迹的实时异常度,并根据异常轨迹点集合输出异常子轨迹。
本发明通过使用空间隔离和时间隔离的方法,给出了实时的轨迹异常度和异常证据,有良好的异常检测覆盖率,误警率低,可以有效应用于城市车辆的实时异常轨迹检测。
下面结合实施例对本发明做进一步详细的描述。
实施例
一种基于时间-空间孤立点的车辆异常轨迹检测方法,使用某出租车公司车载GPS数据集对异常轨迹检测方法进行训练作为一个实施例,基本流程如图1所示,具体包括以下步骤:
步骤1:将相同车辆ID的数据归为一类,之后按时间顺序进行排序。将如图2所示的位于经度[121.25E,121.65E],纬度[31.05N,31.35N]的地图区域网格化后形成矩阵H,共划分为120*160个网格,每个网格为250m*250m。利用映射函数τ(·)将所有GPS原始数据点转换为网格单位,即τ(pi)=gi,其中pi为GPS原始数据点,gi包括所在网格在矩阵中的行m,列n,以及GPS时间time。将每个离散点gi按网格中心连接形成一段轨迹,将这段轨迹经过的网格的数据进行补全,包括行m、列n和GPS时间,补全的网格GPS时间取它的前一个真实网格数据点的GPS时间,最后,轨迹t转化为t=<g1,g2,…,gn>,实际点与填充点都包含在轨迹之中;
步骤2:对连续网格轨迹进行匹配,得到轨迹对,之后对轨迹对进行分类,形成热门轨迹对集合,将轨迹对内的所有轨迹重索引,形成离线对比轨迹库;
其中,从所有轨迹中筛选出所有起点和终点相同的轨迹,形成轨迹集合T,并标记为<S,D,Stime>,其中S为轨迹起始点网格号,D为轨迹目的地网格号,Stime为该集合中所有轨迹发生的时间段。按不同的时间段Stime将轨迹分为不同的集合,如图3所示为不同离线对比轨迹库大小对实验结果的影响,其中交叉符号描点曲线代表样本大小Ψ与AUC值的关系,圆形描点代表Ψ与运行时间的关系,取Ψ=500。对于不同的集合Ti和每个集合中不同的轨迹tj,利用集合编号i与轨迹编号j分别进行检索。利用倒序索引进行轨迹检索。原有索引方式以轨迹为主体,轨迹ti的具体索引方式为:ti=gs→gx→…→gD,其中按时间顺序排列着ti经过的每个网格点,x表示轨迹ti经过的所有网格点在网格数据矩阵中的编号。倒序索引后的轨迹索引方式以网格点为主体,gi:{(tn,no,time)…},其中gi为任意一个网格点,tn为经过该网格点的轨迹,no为网格点gi在轨迹tn中的序号,time为该点的时间信息,下标为轨迹编号。
步骤3:对输入的待测轨迹t进行轨迹支持度计算,通过计算空间支持度Rsup和时间支持度Tsup,得到疑似异常轨迹点集合ρ和异常轨迹点集合
其中,确定离线对比轨迹库中的轨迹t是否包含当前待测数据点g,所述确定方法为下式:
其中,N(g)表示数据点g周围的9个网格(包括g),只要对比轨迹中包含N(g)中的任意一点,就可表示该数据点g在对比轨迹中;
将当前待测数据点g分别加入到空间检测窗口ω和时间检测窗口γ中,然后计算空间支持度Rsup,确定待测轨迹当前输入数据点的空间支持度,所述确定方法为下式:
其中,SamPath函数用于返回离线对比轨迹库中包含当前待测轨迹t的所有轨迹,参数θ为一个划分阈值,若Rsup结果小于θ,那么t为异常,否则为正常。如图4所示为不同θ值对实验结果的影响,其中交叉描点曲线代表不同θ值与AUC值的关系,圆圈描点代表不同θ值与运行时间的关系,取θ=0.05;
若空间支持度小于阈值θ,则该点空间异常,将该点加入到怀疑轨迹集合ρ中,集合Ti还原为原始离线对比轨迹集T0,空间检测窗口只保留当前输入点g。若空间支持度大于阈值θ,那么该点空间正常,令对比轨迹t′=<gx,D>,即t′包含两个数据点,gx为当前时间检测窗口的第一个数据点,D为该轨迹的终点;
确定当前情况下预计到达终点的时间花销Cost,所用公式为:
其中,gy为当前时间检测集合中的最后一位,spent(gx,gy)为gx到gy所花费的时间,为离线对比轨迹库中gy到终点D所花费的平均时间;
确定时间支持度Tsup,所用公式为:
Tsup(T,t′,Cost)=1-|LesPath(SamPath(T0,t′),Cost)|/|T0|<θ
其中,LesPath函数返回离线对比轨迹库中轨迹行驶时间比参数Cost少的轨迹。
若时间支持度小于阈值θ,则当前怀疑轨迹集ρ确定为异常轨迹,加入到异常轨迹点中。将怀疑轨迹集置空,时间窗口γ只保留最后一个数据点gy。将离线对比轨迹集缩小为只包含当前空间检测窗口的轨迹集;
步骤4:建立轨迹点异常度计算函数σ和轨迹异常度计算函数abnormality。图5为使用本发明方法对出租车GPS数据集中10个热门轨迹集进行异常检测过程所消耗的计算时间,图中的横坐标为不同的数据集,纵坐标是检测时间,可以看出本方法由于在同类方法iBOAT基础上增加了时间检测窗口,检测时间成本与之相比略有增加,但是仍比另一同类方法iBAT更快,且完全能满足实时性的需求;
其中,建立轨迹点异常度计算函数,所述计算公式为:
其中,Tsup为当前时间检测窗口的时间支持度,参数λ是为了让函数值下降的更加快速的调节因子,取λ=150。当Tsup大于θ时,函数值接近于1。当Tsup小于θ时,函数值接近于0;
建立轨迹异常度计算函数,所用公式为:
abnormality(i)=abnormality(i-1)+σ(Tsup)*dist(px,py)
其中,abnormality(i)为当前所有输入轨迹的总异常度,abnormality(i-1)为当前数据点未进入时的总异常度,dist(pox,poy)为当前时间检测窗口中第一个数据点px和最后一个数据点py的实际GPS距离。
步骤5:将空间支持度Rsup和时间支持度Tsup带入步骤4中的轨迹点异常度计算函数σ(·)和轨迹异常度计算函数abnormality(·),得到当前待测轨迹的实时异常度,并根据异常轨迹点集合输出异常子轨迹。如图6所示为异常轨迹检测的结果,其中图(a)为数据集中的所有轨迹,图(b)为检测出的异常轨迹,图(c)为其中某一条异常轨迹的空间支持度与时间支持度的变化图。可以发现从数据点1一直到数据点8的路线支持度都低于阈值,若采用只计算路线支持度,异常检测结果会出现误警,但是本方法还对时间支持度进行了计算,从数据点1到数据点8的时间支持度明显高于阈值,这意味着这段子轨迹的行驶时间正常且超过了同时段约50%的离线轨迹。因此数据点1至8形成的子轨迹虽然空间异常,但是节约了行驶时间,是出租车司机在正常路线拥堵时的行为,大大节约了行车时间,符合乘客利益,应该为正常轨迹,本方法判定准确。
Claims (5)
1.一种基于时间-空间孤立点的车辆异常轨迹检测方法,其特征在于,包括以下步骤:
步骤1、对车辆轨迹集进行预处理,将预处理后形成的离散网格轨迹进行去重和补全,形成连续网格轨迹;
步骤2、对连续网格轨迹进行匹配,得到轨迹对,之后对轨迹对进行分类,形成热门轨迹对集合,将轨迹对内的所有轨迹重索引,形成离线对比轨迹库;
步骤3、对输入的待测轨迹t进行轨迹支持度计算,通过计算空间支持度Rsup和时间支持度Tsup,得到疑似异常轨迹点集合ρ和异常轨迹点集合
步骤4、建立轨迹点异常度计算函数σ(·)和轨迹异常度计算函数abnormality(·);
步骤5、将空间支持度Rsup和时间支持度Tsup带入步骤4中的轨迹点异常度计算函数σ(·)和轨迹异常度计算函数abnormality(·),得到当前待测轨迹的实时异常度,并根据异常轨迹点集合输出异常子轨迹。
2.根据权利要求1所述的一种基于时间-空间孤立点的车辆异常轨迹检测方法,其特征在于,步骤1中,所述的轨迹预处理方法为:将相同车辆ID的数据归为一类,之后按时间顺序进行排序,将一定范围内的地图区域网格化后形成矩阵H,利用映射函数τ(·)将所有GPS原始数据点转换为网格数据点,即τ(pi)=gi,其中pi为GPS原始数据点,gi={m,n,time},m与n分别为所在网格在矩阵中的行和列,time为GPS时间;
所述的网格轨迹去重和补全为:将每个离散点gi按网格中心连接形成一段轨迹,将这段轨迹经过的网格的数据进行补全,包括行m、列n和GPS时间,补全的网格GPS时间取它的前一个真实网格数据点的GPS时间,最后,轨迹t转化为t=<g1,g2,…,gn>,实际点与填充点都包含在轨迹之中。
3.根据权利要求1所述的基于时间-空间孤立点的车辆异常轨迹检测方法,其特征在于,步骤2中,所述的对连续网格轨迹进行匹配具体为:
从所有轨迹中筛选出所有终点和起点相同的轨迹,形成轨迹集合T,并标记为<S,D,Stime>,其中S为轨迹起始点网格号,D为轨迹目的地网格号,Stime为该集合中所有轨迹发生的时间段;
所述的轨迹分类为,按不同的时间段Stime将轨迹分为不同的集合,对于不同的集合Ti和每个集合中不同的轨迹tj,利用集合编号i与轨迹编号j分别进行检索;
所述的重索引为,利用倒序索引进行轨迹检索,原有索引方式以轨迹为主体,轨迹ti的具体索引方式为:ti=gs→gx→…→gD,其中按时间顺序排列着ti经过的每个网格点,x表示轨迹ti经过的所有网格点在网格数据矩阵中的编号;倒序索引后的轨迹索引方式以网格点为主体,gi:{(tn,no,time)…},其中gi为任意一个网格点,tn为经过该网格点的轨迹,no为网格点gi在轨迹tn中的序号,time为该点的时间信息,下标为轨迹编号。
4.根据权利要求1所述的基于时间-空间孤立点的车辆异常轨迹检测方法,其特征在于,步骤3中,所述对输入的待测轨迹t进行轨迹支持度计算方法为:
步骤3-1、确定离线对比轨迹库中的轨迹t是否包含当前待测数据点g,所述确定方法为下式:
其中,N(g)表示数据点g周围的9个网格,所述网格包括g,只要对比轨迹中包含N(g)中的任意一点,就可表示该数据点g在对比轨迹中;
步骤3-2、将当前待测数据点g分别加入到空间检测窗口ω和时间检测窗口γ中,然后计算空间支持度Rsup,确定待测轨迹当前输入数据点的空间支持度,所述确定方法为下式:
其中,SamPath函数用于返回离线对比轨迹库中包含当前待测轨迹t的所有轨迹,参数θ为一个划分阈值,若Rsup结果小于θ,那么t为异常,否则为正常;
步骤3-3、若空间支持度小于阈值θ,则该点空间异常,将该点加入到怀疑轨迹集合ρ中,集合Ti还原为原始离线对比轨迹集T0,空间检测窗口只保留当前输入点g;若空间支持度大于阈值θ,那么该点空间正常,令对比轨迹t′=<gx,D>,即t′包含两个数据点,gx为当前时间检测窗口的第一个数据点,D为该轨迹的终点;
步骤3-4、确定当前情况下预计到达终点的时间花销Cost,所述公式为:
其中,gy为当前时间检测集合中的最后一位,spent(gx,gy)为gx到gy所花费的时间,为离线对比轨迹库中gy到终点D所花费的平均时间;
步骤3-5、确定时间支持度Tsup,所述公式为:
Tsup(T,t′,Cost)=1-|LesPath(SamPath(T0,t′),Cost)|/|T0|<θ
其中,LesPath函数返回离线对比轨迹库中轨迹行驶时间比参数Cost少的轨迹;
步骤3-6、若时间支持度小于阈值θ,则当前怀疑轨迹集ρ确定为异常轨迹,加入到异常轨迹点中;将怀疑轨迹集置空,时间窗口γ只保留最后一个数据点gy;将离线对比轨迹集缩小为只包含当前空间检测窗口的轨迹集。
5.根据权利要求1所述的基于时间-空间孤立点的车辆异常轨迹检测方法,其特征在于,步骤4中,所述建立异常度计算函数的方法为:
步骤4-1、建立轨迹点异常度计算函数,所述计算公式为:
其中,Tsup为当前时间检测窗口的时间支持度,参数λ是为了让函数值下降的更加快速的调节因子;
步骤4-2、建立轨迹异常度计算函数,所述公式为:
abnormality(i)=abnormality(i-1)+σ(Tsup)*dist(px,py)
其中,i为当前输入数据点在待测轨迹中的编号,abnormality(i)为当前所有输入轨迹的总异常度,abnormality(i-1)为当前数据点未进入时的总异常度,dist(pox,poy)为当前时间检测窗口中第一个数据点px和最后一个数据点py的实际GPS距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118580.2A CN108345666B (zh) | 2018-02-06 | 2018-02-06 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810118580.2A CN108345666B (zh) | 2018-02-06 | 2018-02-06 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108345666A true CN108345666A (zh) | 2018-07-31 |
CN108345666B CN108345666B (zh) | 2020-06-19 |
Family
ID=62959047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810118580.2A Active CN108345666B (zh) | 2018-02-06 | 2018-02-06 | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108345666B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087508A (zh) * | 2018-08-30 | 2018-12-25 | 广州市市政工程设计研究总院有限公司 | 基于高清卡口数据的毗邻区域交通量分析方法及系统 |
CN109218985A (zh) * | 2018-08-08 | 2019-01-15 | 上海中交水运设计研究有限公司 | 一种基于模式相似度的船舶作业行为异常检测方法及系统 |
CN110348143A (zh) * | 2019-07-15 | 2019-10-18 | 广州图普网络科技有限公司 | 一种轨迹合并方法、装置及存储介质 |
CN111222666A (zh) * | 2018-11-26 | 2020-06-02 | 中兴通讯股份有限公司 | 一种数据计算方法和装置 |
CN111425932A (zh) * | 2020-03-30 | 2020-07-17 | 瑞纳智能设备股份有限公司 | 一种基于flink的热网运行监测告警系统及方法 |
CN111432347A (zh) * | 2020-06-11 | 2020-07-17 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、存储介质及电子设备 |
CN111879338A (zh) * | 2020-07-28 | 2020-11-03 | 安徽中科美络信息技术有限公司 | 一种基于电子地图的行车轨迹规划补偿方法及装置 |
CN112052873A (zh) * | 2020-07-30 | 2020-12-08 | 北京邮电大学 | 基于通用转换器的异常轨迹检测方法及装置 |
CN112163590A (zh) * | 2020-08-19 | 2021-01-01 | 同济大学 | 一种车辆异常轨迹检测与分类方法 |
CN112241751A (zh) * | 2019-07-18 | 2021-01-19 | 中移(苏州)软件技术有限公司 | 一种异常检测方法和系统,及计算机可读存储介质 |
CN112288029A (zh) * | 2020-11-06 | 2021-01-29 | 电子科技大学 | 一种城市路网中车辆轨迹分类方法 |
CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN112598767A (zh) * | 2020-12-29 | 2021-04-02 | 厦门市美亚柏科信息股份有限公司 | 基于时空大数据的轨迹行为分析方法、终端设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011138191A (ja) * | 2009-12-25 | 2011-07-14 | Honda Motor Co Ltd | 相関分析システム |
CN103309964A (zh) * | 2013-06-03 | 2013-09-18 | 广州市香港科大霍英东研究院 | 一种针对大规模交通数据的高效可视监测分析系统 |
CN107316459A (zh) * | 2017-07-21 | 2017-11-03 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及系统 |
-
2018
- 2018-02-06 CN CN201810118580.2A patent/CN108345666B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011138191A (ja) * | 2009-12-25 | 2011-07-14 | Honda Motor Co Ltd | 相関分析システム |
CN103309964A (zh) * | 2013-06-03 | 2013-09-18 | 广州市香港科大霍英东研究院 | 一种针对大规模交通数据的高效可视监测分析系统 |
CN107316459A (zh) * | 2017-07-21 | 2017-11-03 | 武汉依迅北斗空间技术有限公司 | 一种车辆轨迹异常检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
隋靓: "基于运动目标轨迹的高速公路异常事件检测算法研究", 《计算机应用与软件》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109218985A (zh) * | 2018-08-08 | 2019-01-15 | 上海中交水运设计研究有限公司 | 一种基于模式相似度的船舶作业行为异常检测方法及系统 |
CN109218985B (zh) * | 2018-08-08 | 2020-09-22 | 上海中交水运设计研究有限公司 | 一种基于模式相似度的船舶作业行为异常检测方法及系统 |
CN109087508A (zh) * | 2018-08-30 | 2018-12-25 | 广州市市政工程设计研究总院有限公司 | 基于高清卡口数据的毗邻区域交通量分析方法及系统 |
CN111222666A (zh) * | 2018-11-26 | 2020-06-02 | 中兴通讯股份有限公司 | 一种数据计算方法和装置 |
CN110348143A (zh) * | 2019-07-15 | 2019-10-18 | 广州图普网络科技有限公司 | 一种轨迹合并方法、装置及存储介质 |
CN110348143B (zh) * | 2019-07-15 | 2023-05-16 | 广州图普网络科技有限公司 | 一种轨迹合并方法、装置及存储介质 |
CN112241751B (zh) * | 2019-07-18 | 2022-12-13 | 中移(苏州)软件技术有限公司 | 一种异常检测方法和系统,及计算机可读存储介质 |
CN112241751A (zh) * | 2019-07-18 | 2021-01-19 | 中移(苏州)软件技术有限公司 | 一种异常检测方法和系统,及计算机可读存储介质 |
CN111425932B (zh) * | 2020-03-30 | 2022-01-14 | 瑞纳智能设备股份有限公司 | 一种基于flink的热网运行监测告警系统及方法 |
CN111425932A (zh) * | 2020-03-30 | 2020-07-17 | 瑞纳智能设备股份有限公司 | 一种基于flink的热网运行监测告警系统及方法 |
CN111432347A (zh) * | 2020-06-11 | 2020-07-17 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、存储介质及电子设备 |
CN111432347B (zh) * | 2020-06-11 | 2020-09-08 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、存储介质及电子设备 |
CN111879338A (zh) * | 2020-07-28 | 2020-11-03 | 安徽中科美络信息技术有限公司 | 一种基于电子地图的行车轨迹规划补偿方法及装置 |
CN112052873A (zh) * | 2020-07-30 | 2020-12-08 | 北京邮电大学 | 基于通用转换器的异常轨迹检测方法及装置 |
CN112163590A (zh) * | 2020-08-19 | 2021-01-01 | 同济大学 | 一种车辆异常轨迹检测与分类方法 |
CN112329815A (zh) * | 2020-09-30 | 2021-02-05 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN112329815B (zh) * | 2020-09-30 | 2022-07-22 | 华南师范大学 | 模型训练方法、行驶轨迹异常性检测方法、装置和介质 |
CN112288029A (zh) * | 2020-11-06 | 2021-01-29 | 电子科技大学 | 一种城市路网中车辆轨迹分类方法 |
CN112598767A (zh) * | 2020-12-29 | 2021-04-02 | 厦门市美亚柏科信息股份有限公司 | 基于时空大数据的轨迹行为分析方法、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108345666B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345666A (zh) | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN110263846A (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
CN102682601B (zh) | 基于优化svm的高速公路交通事件检测方法 | |
CN109000645A (zh) | 复杂环境目标经典航迹提取方法 | |
WO2018122803A1 (zh) | 一种智能化道路交通异常检测方法 | |
CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN112085947A (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
CN108710637B (zh) | 基于时空关系的出租车异常轨迹实时检测方法 | |
CN107945510B (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
CN113436433B (zh) | 一种高效的城市交通离群值检测方法 | |
CN111949896A (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
CN107204117A (zh) | 套牌车的识别方法 | |
CN110830946A (zh) | 混合型在线数据异常检测方法 | |
CN104217591B (zh) | 动态路况检测方法及系统 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN116631195B (zh) | 一种基于城市子区域热点路口挖掘的区域异常检测方法 | |
CN113379099A (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN115205086A (zh) | 移动轨迹大数据驱动的异常轨迹检测方法、系统和电子设备 | |
CN109448379A (zh) | 一种社交媒体数据偶发性交通事件的识别及定位方法 | |
Zhou et al. | Urban link travel time estimation based on low frequency probe vehicle data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |