CN111949896B - 基于轨迹大数据的轨迹异常检测方法 - Google Patents

Abstract

本发明公开了一种基于轨迹大数据的轨迹异常测方法，该方法具体包括如下步骤：S1、将车辆的轨迹点匹配到城市网络中，形成带有路段标识的轨迹点记录车辆轨迹；S2、对车辆轨迹进行异常轨迹检测，包括：绕路异常轨迹检测、速度异常轨迹检测及变道异常轨迹检测；S3、输出异常轨迹及异常类别。将用户轨迹的时空特性与路网环境相结合，方面考虑了用户轨迹的特征，基于轨迹大数据对用户轨迹分别进行绕路异常、速度异常及变道异常检测，针对用户轨迹进行全方位的异常检测，能更精准的识别用户异常轨迹。

Description

基于轨迹大数据的轨迹异常检测方法

技术领域

本发明属于大数据领域，更具体地，本发明涉及一种基于轨迹大数据的轨迹异常检测方法。

背景技术

随着Internet，无线通信技术，GPS定位等技术的飞速发展，越来越来越多的移动对象，尤其是私家车、出租车等车辆配备了诸如GPS或其他定位设备，使得人们可以收集和存储更多的车辆轨迹数据。如何快速处理和有效利用大量的车辆轨迹数据以服务于智能交通、智慧城市等领域引起了大量研究人员的兴趣，其中车辆异常轨迹检测是轨迹模式挖掘中的一个重要研究课题。根据世界卫生组织的数据，全世界每年道路交通死亡总数约为124万。事故的主要原因与超速，酒后驾车，不安全的行车道，不正确的转弯等有关。汽车已经成为城市生活代步的一种重要交通工具，汽车用户是城市中分布最广泛且对城市路网数据最熟悉的群体，异常驾驶行为主要分为三类：1)绕路异常；2)超速异常；3)变道异常。

然而，现有的轨迹异常检测方法通常通过机器学习算法训练出的检测模型可能只适用于一种异常检测，如超速异常识别，以区分正常轨迹和异常轨迹，识别方法可能只针对轨迹的部分特征进行检测。然而，轨迹数据具有丰富的时间和空间特征，每种特征应该有不同的相似性度量。因此，采用传统的方法对城市路网中的用户轨迹异常检测会产生较高的误报率。

发明内容

本发明提供一种基于轨迹大数据的轨迹异常检测方法，旨在改善上述问题。

本发明是这样实现的，一种基于轨迹大数据的轨迹异常检测方法，所述方法具体包括如下步骤：

S1、将车辆的轨迹点匹配到城市网络中，形成带有路段标识的轨迹点记录车辆轨迹；

S2、对车辆轨迹进行异常轨迹检测，包括：绕路异常轨迹检测、速度异常轨迹检测及变道异常轨迹检测；

S3、取三种异常轨迹的并集，并集内的轨迹均为异常轨迹，输出异常轨迹及异常类别。

进一步的，所述车辆轨迹的形成方法具体包括如下步骤：

S11、基于观测概率模型及转移概率模型分别计算轨迹点相对于各路段观测概率及转移概率；

S12、采用viterbi算法进行轨迹点序列的匹配，形成最优概率路径，即为车辆轨迹。

进一步的，绕路异常轨迹的检测方法具体包括如下步骤：

S21、将轨迹按起止路段分类，具有相同起止路段的轨迹属于同一类；

S22、建立各类轨迹的类相似性矩阵；

S23、将各类相似性矩阵依次作为独立森林算法的输入，输出各类轨迹中的绕路异常轨迹。

进一步的，类相似性矩阵表示如下：

其中，矩阵元素SIM_ij表示第i条轨迹与第j条轨迹的相似性，矩阵元素SIM_ij使用下式计算：

SIM_i,j＝γ(n,m)＝d(q_n,c_m)+min{γ(n-1,m-1),γ(n-1,m),γ(n,m-1)}

其中，n，m分别表示第i与第j条轨迹的长度，即第i条轨迹n个采样点，第j条轨迹有m个采样点，d(q_n,c_m)表示第q_n个采样点与第c_m个采样点间的欧式距离。

进一步的，类相似性矩阵的矩阵维度基于如下公式进行设置：

其中，len(deme_r)表示第r个轨迹类别中的轨迹数量，当轨迹数量超过10时，将矩阵的列设置为10，当轨迹数量小于10时，类相似性矩阵的列设置为轨迹数量。

进一步的，速度异常轨迹的检测方法具体包括如下步骤：

S31、利用轨迹点的位置坐标与时间戳的差值计算每个轨迹点的瞬时速度；

S32、获取各路段的轨迹点，基于密度的聚类算法获取各路段上速度异常轨迹点，未被分为任何一个簇的轨迹点即为速度异常轨迹点；

S33、检测每条轨迹是否连续存在设定数量的速度异常轨迹点，若检测结果为是，则认为该条轨迹为速度异常轨迹。

进一步的，变道异常轨迹的检测方法具体包括如下步骤：

S41、计算每个轨迹点的方向偏转角；

S42、当方向偏转角大于0时，检测该轨迹点是否处于道路岔路口，若检测结果为否，则该轨迹点属于变道异常轨迹点；

S43、检测该条轨迹是否连续存在k个异常轨迹点，若检测结果为是，则该轨迹被认为是变道异常轨迹。

进一步的，轨迹点的方向偏转角计算方法具体如下：

获取当前轨迹点q的前一个轨迹点P及后一个轨迹点k，轨迹点q的方向偏转角具体如下：

distance(p,q)表示轨迹点p与轨迹点q的欧式距离，distance(q,k)表示轨迹点q与轨迹点k的欧式距离，distance(p,k)表示轨迹点p与轨迹点k的欧式距离。

本发明提供的基于轨迹大数据的轨迹异常检测方法具有如下有益技术效果：1)将用户轨迹的时空特性与路网环境相结合，多方面考虑了用户轨迹的特征，基于轨迹大数据对用户轨迹分别进行绕路异常、速度异常及变道异常检测，针对用户轨迹进行全方位的异常检测，能更精准的识别用户异常轨迹，所述的精准包括两层含义，第一层是精准的检测出三种轨迹异常，第二种是对用户轨迹进行全方位的异常评估，评估结果更接近真实结果；2)利用收集的轨迹大数据服务于智慧交通系统，使得异地出行更为安全便捷。

附图说明

图1为本发明实施例提供基于轨迹大数据的轨迹异常检测方法流程图。

具体实施方式

下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

本发明基于轨迹的时空特征与路网环境，通过结合用户的出发点与目的地属性计算轨迹间的相似性，使用iForest(独立森林)算法检测用户绕路行为，然后通过轨迹点的瞬时速度和路段属性，采用DBSCAN(密度聚类算法)算法检测用户速度异常轨迹，再将轨迹点的方向偏转角与路段属性结合，检测用户变道异常轨迹，最后将检测的三种异常轨迹取并集，并集内的所有轨迹为异常轨迹。

图1为本发明实施例提供基于轨迹大数据的轨迹异常检测方法流程图，该方法具体包括如下步骤：

S1、将车辆的轨迹点匹配到城市网络中，形成带有路段标识的轨迹点记录车辆轨迹；

轨迹T:P₁→P₂→…→P_n，其中，用户轨迹点P_i＝(经度，纬度，时间戳，所属路段)，且所述的连续相邻的两个轨迹点的路段标识可能相同。对所有轨迹点进行地图匹配的，获得每个轨迹点所在的路段标识，获取方法具体步骤如下：

步骤1：利用隐马尔可夫模型，建立轨迹点与路段之间的概率模型，包括观测概率模型及转移概率模型，

轨迹点在候选路段上投影点与轨迹点之间的距离服从正态分布，建立观测概率模型，具体公式如下：

其中，P(x_t|y_i)表示轨迹点x_t处于候选路段y_i的概率，x_t表示t时刻轨迹点的位置，y_i表示候选路段，z_t,i表示x_t在y_i上的投影点，σ为GPS的精度，该模型认为轨迹点与哪条路段的距离更小，那么该轨迹点在该条路段上的概率越大。

利用当前轨迹点与下一时刻的轨迹点的距离与对应候选路段投影点的距离差值服从指数分布，建立转移概率模型，具有公式如下：

P(y_t+1,j|y_t,i)＝β×exp(-β×|||x_t-x_t+1||-||z_t,i-z_t+1,j|||)

P(y_t+1,j|y_t,i)计算的是在t时刻路段为y_i时，t+1时刻由y_i转到y_j路段的概率，其中β是不确定的系数由大量的采样点训练得到，||x_t-x_t+1||表示t时刻的坐标点与t+1时刻的坐标间的距离，||z_t,i-z_t+1,j||表示t时刻坐标点在y_i路段上投影与t+1时刻的坐标点在路段y_j的投影之间的距离。该模型认为连续的两个采样点的距离与投影点间的距离越接近，路段间的转移概率越大。

步骤2：采用viterbi算法进行轨迹点序列的匹配，形成车辆轨迹T，viterbi算法计算轨迹点相对于各路段的观测概率与转移概率的乘积，从而选择概率最优(即概率最大)的路段作为车辆轨迹。

S2、对车辆轨迹T进行异常轨迹检测，包括：绕路异常轨迹检测、速度异常轨迹检测及变道异常轨迹检测，上述异常轨迹的检测方法如下：

(一)绕路异常轨迹检测

将匹配好的轨迹按照起止路段分类，具有相同起止点路段的轨迹属于同一类，然后构建各类轨迹的类相似性矩阵，将各个类相似性矩阵依次作为独立森林算法的输入，输出各类轨迹中的绕路异常轨迹，类相似性矩阵表示如下：

其中，SM_r表示第r个具有相同起止点路段的轨迹类别，矩阵元素SIM_ij表示第i条轨迹与第j条轨迹的相似性，矩阵元素SIM_ij采用时间序列的距离度量DTW距离来进行计算，具体使用下式计算：

SIM_i,j＝γ(n,m)＝d(q_n,c_m)+min{γ(n-1,m-1),γ(n-1,m),γ(n,m-1)}

其中，n，m分别表示第i条轨迹与第j条轨迹的长度，即第i条轨迹有n个采样轨迹点，第j条轨迹有m个采样轨迹点，d(q_n,c_m)表示第q_r个采样轨迹点与第c_s个采样轨迹点间的欧式距离，γ(n,m)表示第i条轨迹前n个采样轨迹点与第j条轨迹前m个采样轨迹点的累积距离，γ(n-1,m-1)表示第i条轨迹前n-1个采样轨迹点与第j条轨迹前m-1个采样轨迹点间的累积距离，γ(n,m-1)表示第i条轨迹前n个采样轨迹点与第j条轨迹前m-1个采样轨迹点间的累积距离，γ(n-1,m)表示第i条轨迹前n-1个采样轨迹点与第j条轨迹前m个采样轨迹点的累积距离。

当矩阵过大时，会导致计算时间过长并且内存溢出，因此对类相似性矩阵的矩阵维度进行设置是必要的，具体条件如下：

其中，len(deme_r)表示第r个轨迹类别中轨迹的数量，当轨迹数量超过10时，将矩阵的列设置为10，当轨迹数量小于10时，类相似性矩阵的列设置为轨迹数量。

(二)速度异常轨迹检测

步骤1：利用轨迹点的位置坐标与时间戳的差值计算每个轨迹点的瞬时速度，轨迹点的瞬时速度计算公式如下：

其中，(x_t,y_t)，(x_t-1,y_t-1)分别表示t时刻和t-1时刻采样轨迹点的位置，表示两个连续采样轨迹点之间的欧式距离，|t_t-t_t-1|表示两个连续采样轨迹点的时间间隔。

步骤2：获取各路段的轨迹点，每个路段上的轨迹点形成一个聚类数据集，基于密度的聚类算法获取各路段上速度异常轨迹点，速度异常轨迹点获取方法具体如下：选择合适的Eps、MinPts值，Eps表示同一簇中相邻轨迹点间的最大距离，MinPts表示一个簇中的最少轨迹点数量，聚类数据集中的轨迹点对象被分成t个簇，未被分为任何一个簇的轨迹点视为速度异常轨迹点；

步骤3：检查每条轨迹是否连续存在设定数量的速度异常轨迹点，若检测结果为是，则该条轨迹认定为速度异常轨迹。

(三)变道异常轨迹检测

步骤1：定义轨迹方向偏转角，计算每个轨迹点的方向偏转角，获取前待判定轨迹点q的前一个轨迹点p及后一个轨迹点k，轨迹点q的方向偏转角计算公式具体如下：

其中，p，q，k表示三个连续采样轨迹点，distance(p,q)函数表示轨迹点p与轨迹点q的欧式距离，distance(q,k)表示轨迹点q与轨迹点k的欧式距离，distance(p,k)表示轨迹点p与轨迹点k的欧式距离。

步骤2：当方向偏转角大于0时，说明该点偏转程度较大，判断该轨迹点是否处于岔路口，若检测结果为是，则判定该轨迹点不属于变道异常轨迹点，若检测结果为否，则认定该轨迹点属于变道异常轨迹点，判断是否属于变道采样点；

步骤3：检测轨迹是否连续存在k个变道异常轨迹点，若检测结果为是，则该轨迹被认为是变道异常轨迹。

S3、取三种异常轨迹的并集，并集内的轨迹均为异常轨迹，输出异常轨迹及异常类别；

对所有轨迹分别进行如下三种异常检测：绕路异常轨迹检测、速度异常检测及变道异常检测，将三种异常检测结果取并集，输出异常轨迹及异常轨迹的异常类别，异常类别包括：绕路异常轨迹、速度异常及变道异常。

本发明提供的基于轨迹大数据的轨迹异常检测方法具有如下有益技术效果：1)将用户轨迹的时空特性与路网环境相结合，方面考虑了用户轨迹的特征，基于轨迹大数据对用户轨迹分别进行绕路异常、速度异常及变道异常检测，针对用户轨迹进行全方位的异常检测，能更精准的识别用户异常轨迹，所述的精准包括两层含义，第一层是精准的检测出三种轨迹异常，第二种是对用户轨迹进行全方位的异常评估，评估结果更接近真实结果；2)利用收集的轨迹大数据服务于智慧交通系统，使得异地出行更为安全便捷。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (5)

1.一种基于轨迹大数据的轨迹异常检测方法，其特征在于，所述方法具体包括如下步骤：

S1、将车辆的轨迹点匹配到城市网络中，形成带有路段标识的轨迹点记录车辆轨迹；

S2、对车辆轨迹进行三种异常轨迹检测，包括：绕路异常轨迹检测、速度异常轨迹检测及变道异常轨迹检测；

S3、取三种异常轨迹的并集，并集内的轨迹均为异常轨迹，输出异常轨迹及异常类别；

绕路异常轨迹的检测方法具体包括如下步骤：

S21、将轨迹按起止路段分类，具有相同起止路段的轨迹属于同一类；

S22、建立各类轨迹的类相似性矩阵；

S23、将各类相似性矩阵依次作为独立森林算法的输入，输出各类轨迹中的绕路异常轨迹；

速度异常轨迹的检测方法具体包括如下步骤：

S31、利用轨迹点的位置坐标与时间戳的差值计算每个轨迹点的瞬时速度；

S32、获取各路段的轨迹点，基于密度的聚类算法获取各路段上速度异常轨迹点，未被分为任何一个簇的轨迹点即为速度异常轨迹点；

S33、检测每条轨迹是否连续存在设定数量的速度异常轨迹点，若检测结果为是，则认为该条轨迹为速度异常轨迹；

变道异常轨迹的检测方法具体包括如下步骤：

S41、计算每个轨迹点的方向偏转角；

S42、当方向偏转角大于0时，检测该轨迹点是否处于道路岔路口，若检测结果为否，则该轨迹点属于变道异常轨迹点；

S43、检测该条轨迹是否连续存在k个异常轨迹点，若检测结果为是，则该轨迹被认为是变道异常轨迹。

2.如权利要求1所述基于轨迹大数据的轨迹异常检测方法，其特征在于，所述车辆轨迹的形成方法具体包括如下步骤：

S11、基于观测概率模型及转移概率模型分别计算轨迹点相对于各路段观测概率及转移概率；

S12、采用viterbi算法进行轨迹点序列的匹配，形成最优概率路径的选择，即为车辆轨迹。

3.如权利要求1所述基于轨迹大数据的轨迹异常检测方法，其特征在于，类相似性矩阵表示如下：

其中，矩阵元素SIM_ij表示第i条轨迹与第j条轨迹的相似性。

4.如权利要求3所述基于轨迹大数据的轨迹异常检测方法，其特征在于，类相似性矩阵的矩阵维度基于如下公式进行设置：

其中，len(deme_r)表示第r个轨迹类别中的轨迹数量，当轨迹数量超过10时，将矩阵的列设置为10，当轨迹数量小于10时，类相似性矩阵的列设置为轨迹数量。

5.如权利要求1所述基于轨迹大数据的轨迹异常检测方法，其特征在于，轨迹点的方向偏转角计算方法具体如下：

获取当前轨迹点q的前一个轨迹点P及后一个轨迹点k，轨迹点q的方向偏转角具体如下：

distance(p,q)表示轨迹点p与轨迹点q的欧式距离，distance(q,k)表示轨迹点q与轨迹点k的欧式距离，distance(p,k)表示轨迹点p与轨迹点k的欧式距离。