CN112163590A - 一种车辆异常轨迹检测与分类方法 - Google Patents

一种车辆异常轨迹检测与分类方法 Download PDF

Info

Publication number
CN112163590A
CN112163590A CN202010836394.XA CN202010836394A CN112163590A CN 112163590 A CN112163590 A CN 112163590A CN 202010836394 A CN202010836394 A CN 202010836394A CN 112163590 A CN112163590 A CN 112163590A
Authority
CN
China
Prior art keywords
track
tracks
grid
point
abnormal
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.)
Pending
Application number
CN202010836394.XA
Other languages
English (en)
Inventor
袁赟
王经纬
马云龙
刘敏
倪天乐
李逸伦
赵宇凯
蒋卓甫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202010836394.XA priority Critical patent/CN112163590A/zh
Publication of CN112163590A publication Critical patent/CN112163590A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明涉及一种车辆异常轨迹检测与分类方法，包括以下步骤：1)读取每条轨迹的轨迹点数据，构建网格地图
Figure DDA0002639849150000011
2)从网格地图
Figure DDA0002639849150000012
中提取所有上客点在S且下客点在D的轨迹，标记为集合
Figure DDA0002639849150000013
3)根据集合
Figure DDA0002639849150000014
中所有轨迹经过的真实地理范围建立局部网格空间
Figure DDA0002639849150000015
并将集合
Figure DDA0002639849150000016
中每条轨迹映射到局部网格空间
Figure DDA0002639849150000017
中；4)计算集合
Figure DDA0002639849150000018
中每条轨迹的初始异常分数S1(ATi)；5)根据初始异常分数S1(ATi)选取在区间
Figure DDA0002639849150000019
中的所有轨迹，构成绝对正常轨迹集合
Figure DDA00026398491500000110
6)计算修正后的异常分数S2(ATi)；7)根据修正后的异常分数S2(ATi)，采用分类器
Figure DDA00026398491500000111
对集合
Figure DDA00026398491500000112
中的每条轨迹进行分类。与现有技术相比，本发明具有提升计算效率、量化不同类型轨迹差异、精细分类、准确识别等优点。

Description

一种车辆异常轨迹检测与分类方法
技术领域
本发明涉及异常轨迹检测领域，尤其是涉及一种车辆异常轨迹检测与分类方法。
背景技术
当前网约车司机故意绕路、见色起意、谋财害命等事故频发，每年都造成乘客伤亡和财产损失，因此，利用数据挖掘和机器学习技术从大量车辆轨迹数据中挖掘出异常轨迹模式对预防突发事件的发生具有十分重要的意义。
现有的如iBAT方法等异常轨迹检测技术都只关注轨迹是否异常，而没有考虑到轨迹的异常模式，然而，在实际中，不同异常轨迹其产生的原因不尽相同，因此有必要对异常轨迹进行分类，提需要出一种可以同时进行异常轨迹检测与分类的方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种车辆异常轨迹检测与分类方法，通过计算轨迹之间的相似度，可以同时检测出不同类型的异常轨迹。
本发明的目的可以通过以下技术方案来实现：
一种车辆异常轨迹检测与分类方法，包括以下步骤：
1)从车辆GPS轨迹数据中读取每条轨迹的轨迹点数据，将轨迹点嵌入到真实地图中，根据所有轨迹经过的真实地理范围构建网格地图
Figure BDA0002639849130000011
2)从网格地图
Figure BDA0002639849130000012
中任意选择一对网格分别作为源点S和终点D，提取所有上客点在S且下客点在D的轨迹，若轨迹数量大于l条，则保留该集合并标记为
Figure BDA0002639849130000013
3)根据集合
Figure BDA0002639849130000014
中所有轨迹经过的真实地理范围建立局部网格空间
Figure BDA0002639849130000015
并将集合
Figure BDA0002639849130000016
中每条轨迹映射到局部网格空间
Figure BDA0002639849130000017
中，映射后的轨迹为多个网格坐标的集合，表示为ATi＝{gs,...,gd}，其中，gs,...,gd为
Figure BDA0002639849130000021
中对应网格的坐标；
4)获取平均交叉集距离，计算集合
Figure BDA0002639849130000022
中每条轨迹的初始异常分数S1(ATi)；
5)根据初始异常分数S1(ATi)选取在区间
Figure BDA0002639849130000023
中的所有轨迹，并将这些轨迹被定义为绝对正常轨迹，构成绝对正常轨迹集合
Figure BDA0002639849130000024
6)根据集合
Figure BDA0002639849130000025
中每条轨迹与绝对正常轨迹集合
Figure BDA0002639849130000026
中交集最大的k条绝对正常轨迹的平均交叉集距离，计算修正后的异常分数S2(ATi)；
7)根据修正后的异常分数S2(ATi)，采用分类器
Figure BDA0002639849130000027
对集合
Figure BDA0002639849130000028
中的每条轨迹进行分类。
所述的步骤1)中，轨迹定义为一段完整的车辆送客行驶轨迹，包含乘客的上车地点以及下车地点，即上客点和下客点，轨迹点数据为车载GPS记录的车辆行驶数据，每个轨迹点包括车辆所经过地点的经纬度以及对应的时间，轨迹点的起点和终点分别对应乘客的上车地点和下车地点。
所述的步骤1)中，网格地图
Figure BDA0002639849130000029
的构建方法具体包括以下步骤：
11)遍历所有车辆轨迹，获取轨迹点中的经度取值范围X和纬度取值范围Y；
12)基于开源地图，获取经度取值范围X和纬度取值范围Y内所对应的真实地理空间
Figure BDA00026398491300000210
13)将真实地理空间
Figure BDA00026398491300000211
正交分割为多个相同的小网格，每个小网格代表地图中的一块真实区域，得到网格地图
Figure BDA00026398491300000212
所述的步骤3)中，局部网格空间
Figure BDA00026398491300000213
的建立方法与网格地图
Figure BDA00026398491300000214
的建立方法相同，且局部网格空间
Figure BDA00026398491300000215
的覆盖面积小于网格地图
Figure BDA00026398491300000216
所述的步骤3)具体包括以下步骤：
31)在局部网络空间
Figure BDA00026398491300000217
得到轨迹中每个轨迹点的对应网格；
32)创建映射集{AT}，用以表示轨迹所经过的网格坐标的集合，初始为空集；
33)从起始轨迹点开始，依次判断相邻轨迹点所对应的网格在局部网络空间
Figure BDA00026398491300000218
中是否相邻，若是，则将该对网格坐标添加到映射集{AT}中，否则，通过线性插补法获取这对相邻轨迹点所经过的所有网格，并将对应的坐标添加到映射集{AT}中；
34)按照步骤33)的方法，遍历所有轨迹的轨迹点，最终完成轨迹映射到局部网络空间
Figure BDA00026398491300000219
中后的网格化表示。
所述的步骤3中，网格坐标为网格在局部网络空间
Figure BDA00026398491300000220
中的编号。
所述的步骤4)中，交差集距离用以计算任意两条轨迹对应的映射集之间的距离，其计算公式为：
Figure BDA0002639849130000031
第i条轨迹的初始异常分数S1(ATi)的表达式为：
Figure BDA0002639849130000032
其中，|ATi\ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的差集，|ATi∩ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的交集，N为集合
Figure BDA0002639849130000033
中轨迹的数量。
所述的步骤5)中，参数
Figure BDA0002639849130000034
的具体取值范围为0.02-0.05。
所述的步骤6)中，修正后的异常分数S2(ATi)用以表示与绝对正常轨迹集合
Figure BDA0002639849130000035
中最相似的k条绝对正常轨迹相比，第i条轨迹的映射集ATi对应的异常程度，其计算式为：
Figure BDA0002639849130000036
其中，|ATi\ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的差集，|ATi∩ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的交集。
所述的步骤7)中，采用分类器
Figure BDA0002639849130000037
对每条轨迹所属类别进行判断，具体为：
Figure BDA0002639849130000038
其中，GD代表全局绕路轨迹类别，LD代表局部绕路轨迹类别，NT代表正常轨迹类别，LS代表局部最短路轨迹类别，GS代表全局最短路轨迹类别，θ＝(θ1，θ2，θ3，θ4)代表不同类别的分类阈值，其中，第一阈值θ1用以区分GD和LD，第二阈值θ2用以区分LD和NT，第三阈值θ3用以区分NT和LS，第四阈值θ4用以区分LS和GS。
与现有技术相比，本发明具有以下优点：
一、本发明的网格化操作将由GPS轨迹点构成的二维轨迹转换为由网格坐标构成的一维点集，有效降低了计算时间复杂度，提升了计算的效率，同时可以有效地处理轨迹长度差异较大的轨迹数据。
二、本发明使用的交叉集距离满足非对称性，且可以取负值，能够有效地量化不同类型轨迹之间的差异，特别是异常轨迹与正常轨迹之间的差异程度，便于直接对轨迹进行分类。
三、本发明将异常轨迹分为两大类，绕路和最短路，同时根据其程度又进一步分为四类，全局绕路，局部绕路，局部最短路和全局最短路，这样能够区分不同异常轨迹的异常模式，便于下游任务做出更加精准的判断。
四、异常轨迹检测与分类阶段采用了两级异常分数计算方法，先通过第一级大范围的比较找到绝对正常轨迹，再通过第二级小范围的比较来判断待检测轨迹的类型，这样先粗后精的方式可以保证轨迹异常分数计算的准确性，在旧金山湾区出租车轨迹数据上的实验结果表明上述提出的异常轨迹检测与分类方法能够准确地检测出异常轨迹并识别轨迹的异常类型。
附图说明
图1为一对源点和终点之间的5种类型轨迹示意图。
图2为本发明提出的异常轨迹检测与分类方法流程图。
图3为网格化后的轨迹数据示意图。
图4为线性插补法的示意图。
图5为异常分数值S1计算的示意图。
图6为异常轨迹检测与分类可视化结果。
图7为轨迹异常分数的分布图，该分数由本发明提出的异常检测与分类方法给出。
图8为轨迹异常分数的分布图，该分数由iBAT方法给出。
具体实施方式
下面结合附图给出本发明的一个或者多个实施例，以详细说明本发明的技术实施方案。应该指出，所描述的实施例仅是为了说明的目的，而不是对本发明范围的限制。
实施例1
本发明中，首次提出了同时进行异常轨迹检测与分类，并定义了四种类型的异常轨迹。如图1所示，S表示源点，D表示终点，从S到D的轨迹共分为5类，不同颜色代表不同类型的轨迹，其中除T1-T6外的轨迹均为正常轨迹，其余4类(T1-T6)为异常轨迹，T1和T2表示全局绕路轨迹，T3和T4表示局部绕路轨迹，T5表示全局最短路轨迹，T6表示局部最短路轨迹。除非另外定义，本发明中提到的轨迹类型均为上述5种。
进一步，本发明公开了一种异常轨迹检测与分类方法，该方法的流程图如图2所示，包括以下步骤：
步骤1：根据GPS轨迹数据建立网格化地图。根据所有轨迹经过的经度和纬度的范围来建立网格地图
Figure BDA0002639849130000051
将选定的轨迹范围划分成n*m的网格，一般地，n和m的取值范围为500-1000米；统计落入每个网格的轨迹点数据，图3展示了网格化后的轨迹数据，颜色的深浅表示网格中轨迹点数量的多少。
步骤2：选定一对源点和终点。从
Figure BDA0002639849130000052
中任意选择一对网格分别作为源点S和终点D，提取所有上客点在S、下客点在D的轨迹，若轨迹数量大于l条，则保留该集合并标记为
Figure BDA0002639849130000054
实际中，源点S和终点D之间的距离越大，则落入其间的轨迹数量也越少，而l的值不能太小，一般设置为100及以上。
步骤3：将轨迹集合
Figure BDA0002639849130000055
中的所有轨迹映射到局部网格空间
Figure BDA0002639849130000056
中。第一步，先利用轨迹集合
Figure BDA0002639849130000057
来建立局部网格空间
Figure BDA0002639849130000058
遍历
Figure BDA0002639849130000059
中所有轨迹，计算轨迹点中经度和纬度的取值范围X和Y；根据经度和纬度的取值范围，将它们确定的局部区域划分为s*q的网格空间，一般地，s和q的取值范围为50-100米；对网格空间
Figure BDA00026398491300000510
中每个网格进行编号，用编号来表示网格的坐标。第二步，利用线性插补法将轨迹集合
Figure BDA00026398491300000511
中的所有轨迹映射到局部网格空间
Figure BDA00026398491300000512
中。为
Figure BDA00026398491300000513
中每条轨迹创建空集ATi，表示该轨迹所经过网格的坐标的集合；在局部网络空间
Figure BDA00026398491300000514
中找到所述轨迹里每个轨迹点的对应网格；从起始轨迹点开始，依次判断相邻轨迹点所对应的网格在
Figure BDA00026398491300000515
中是否相邻，若是，则将这对网格的坐标添加到ATi中；否则，通过线性差值法找到这对相邻轨迹点所经过的所有网格，将它们的坐标添加到ATi中；最终得到的ATi即为该轨迹映射到
Figure BDA00026398491300000516
中后的网格化表示。
步骤3中，所述线性插补法的具体操作为，在相邻轨迹点对应的网格之间连一条直线，直线经过的网格作为填充的伪轨迹点，从而使轨迹在网格空间
Figure BDA00026398491300000517
中连续；如图4所示，黑色填充的网格为实际轨迹点，灰色填充的网格为伪轨迹点，黑色网格和灰色网格共同构成了轨迹的网格化表示。
步骤4：计算
Figure BDA0002639849130000061
中所有轨迹的异常分数值S1并选定绝对正常轨迹。轨迹异常分数值S1是每条轨迹与其他所有轨迹进行相似性计算后得到的平均值，其中相似性计算方法为本发明提出的交差集距离，其公式为：
Figure BDA0002639849130000062
其中，|ATi\ATj|表示轨迹ATi与轨迹ATj的差集，|ATi∩ATj|表示轨迹ATi与轨迹ATj的交集。交差集距离衡量了两条轨迹之间的差异，两条轨迹的交集越大，差集越少，则交差集距离越趋近于0，就说明两条轨迹越相似，反之则越不相似。轨迹异常分数S1(ATi)的计算公式为：
Figure BDA0002639849130000063
其中，N为
Figure BDA0002639849130000064
中轨迹的数量。轨迹ATi的异常分数值S1衡量了它与其他轨迹的整体差异程度。S1值越接近于0，说明轨迹ATi越像正常轨迹；S1值越大于0，说明轨迹ATi越像绕路轨迹；S1值越小于0，说明轨迹ATi越像最短路轨迹。如图5所示，g1和g54分别为源点和起点，在g1和g54之间有20条轨迹(即AT1-AT20)和8条路线(即R1-R8)，其中14条是正常轨迹(即AT1-AT14，AT1-AT7对应路线R1，AT8-AT14对应路线R2)，其他6条为异常轨迹(AT15-AT20分别对应于R3-R8)，其中AT15-AT16为全局绕路轨迹，AT17-AT18为局部绕路轨迹，AT19为全局最短路，AT20为局部最短路，从(c)中可以看出不同类型轨迹的异常分数值，AT1-AT14等正常轨迹的分数都在0附近，AT15-AT16等全局绕路轨迹的分数都大于0.5，AT17-AT18等局部绕路轨迹的分数在0.1和0.5之间，全局最短路AT19的分数低于-1，局部最短路AT20的分数在-0.1和-0.5之间。
步骤4中，由于
Figure BDA0002639849130000065
中包含有各种类型的异常轨迹，用
Figure BDA0002639849130000066
中所有轨迹来评估某条轨迹的异常程度会使结果存在误差，为提高评估的准确性，应当选用
Figure BDA0002639849130000067
中的正常轨迹来进行比较。但是，在异常轨迹检测这种无监督任务中，正常轨迹是无法预知的。因此，本发明选定
Figure BDA0002639849130000068
中S1值位于区间
Figure BDA0002639849130000069
中的轨迹作为绝对正常轨迹，用以进一步评估每条轨迹的异常程度。本发明中，
Figure BDA00026398491300000610
的取值比较小，一般在0.02-0.05之间。绝对正常轨迹构成的集合标记为
Figure BDA00026398491300000611
步骤5：计算
Figure BDA00026398491300000612
中所有轨迹的异常分数值S2。轨迹ATi的异常分数值S2是其与绝对正常轨迹集
Figure BDA0002639849130000071
中最相似的k条绝对正常轨迹进行交差集距离计算后得到的平均值，计算公式为：
Figure BDA0002639849130000072
异常分数值S2衡量了轨迹ATi与k条绝对正常轨迹的整体差异程度，S2值越接近于0，说明轨迹ATi越像正常轨迹。
步骤6：对
Figure BDA0002639849130000073
中所有轨迹进行分类并确定异常轨迹。利用分类器
Figure BDA0002639849130000074
用来判断每条轨迹的所属类别，其计算公式为：
Figure BDA0002639849130000075
其中，GD代表全局绕路轨迹，LD代表局部绕路轨迹，NT代表正常轨迹，LS代表局部最短路，GS代表全局最短路；θ＝(θ1,θ2,θ3,θ4)代表不同类别的分类阈值，θ1用以区分GD和LD，θ2用以区分LD和NT，θ3用以区分NT和LS，θ4用以区分LS和GS。θ的取值一般根据具体数据集来确定，本实施例中，θ1取0.5，θ2取0.1，θ3取-0.1，θ4取-0.5。
步骤6结束后，判断是否还存在未被选择的源点和终点对，若有则返回步骤2开始对新的轨迹数据集进行异常轨迹检测与分类，若无则返回所有轨迹数据集上的检测与分类结果。
实施例2：本发明在旧金山湾区出租车轨迹数据中的应用
为验证本发明的有效性，采用旧金山湾区2008年6月～7月536辆出租车的轨迹数据来验证。本实施例从该数据中选取了6对源点和终点，每对源点和终点之间的轨迹构成一个轨迹数据集，这6个轨迹数据集中的轨迹数量及其类型分布见表1所示，T-1代表第一个轨迹数据集，#T表示轨迹数据集中的轨迹数量，GD(％)表示全局绕路轨迹的数量以及在该数据集中的占比，其他符号的含义与此类同。
表1 6个轨迹数据集的样本分布情况
Figure BDA0002639849130000076
Figure BDA0002639849130000081
在上述6个轨迹数据集上进行实验，采用F1指标和Marco-F1指标进行评价，本发明提出的异常轨迹检测与分类方法的准确度如表2所示，每行分别展示了一个轨迹数据集上的分类结果，GD、LD、LS和GS四列下面的数值为F1分数，最后一列为Marco-F1分数，从图中结果可以看出，本发明提出的方法对GD和GS这两类异常轨迹的分类有很高的准确率(F1分数基本都在0.9以上)，对LD和LS这两类异常轨迹的分类也有较高的准确率(F1分数大都在0.8-0.9之间)，总体分类准确率即Marco-F1分数都到达了0.9左右，证明本发明提出的方法对异常轨迹具有很好的检测与分类效果。
表2异常轨迹检测与分类准确率结果
Datasets GD LD LS GS Marco-F1
T-1 0.9677 0.8095 0.8 1 0.8943
T-2 1 0.8571 0.7778 1 0.9087
T-3 1 0.8 0.8554 0.8889 0.8861
T-4 1 0.8333 0.7857 1 0.9048
T-5 1 0.7473 0.9706 0.9296 0.9086
T-6 0.9767 0.8767 0.9144 0.9411 0.9273
上述6个轨迹数据集上的异常轨迹检测与分类可视化结果如图6所示，左边第一幅图可视化了该数据集上的所有轨迹，右边四幅图分别可视化了检测出的四类异常轨迹，依次为GD(全局绕路)，LD(全局绕路)，表示LS(全局最短路)，表示GS(全局最短路)。从可视化结果也可以看出来本发明提出的方法对这四类异常轨迹具有很好的检测与分类效果。
实施例3：本发明与iBAT方法的比较
为进一步验证本发明的优越性，采用异常轨迹检测领域中的一种经典方法，即iBAT方法，进行对比验证。iBAT方法是Zhang等人于2011年在International Conferenceon Ubiquitous Computing会议上提出来的，它通过孤立点检测来识别异常轨迹，当发现某条轨迹经过了其他大部分轨迹都不会经过的孤立点时，便认为该轨迹有可能是异常轨迹同时为其分配一个异常分数，当一条轨迹的异常分数越接近1，意味着它越有可能是异常轨迹。
在上述旧金山湾区6个轨迹数据集上进行对比实验，图7和图8分别给出了本发明提出的方法和iBAT方法的异常分数计算结果，横轴均表示数据集，纵轴均表示异常分数，从图7中可以看出，本发明提出的方法具有明显的区分性，正常轨迹的异常分数基本都在0附近，绕路轨迹的异常分数在0.1以上，最短路轨迹的异常分数在-0.1以下，而且越是异常程度大的轨迹其异常分数距离0越远，这一情况在6个数据集中都是相似，而图8展示的iBAT方法的异常分数结果并不稳定，每个数据集中正常轨迹的异常分数均值均不相同，而异常轨迹的划分也没有一个固定的阈值，并且该方法只能判断轨迹是否异常不能区分轨迹的异常类型，因此，与iBAT方法相比，本发明提出的异常轨迹检测与分类方法具有显著的优越性。

Claims (10)

1.一种车辆异常轨迹检测与分类方法，其特征在于，包括以下步骤：
1)从车辆GPS轨迹数据中读取每条轨迹的轨迹点数据，将轨迹点嵌入到真实地图中，根据所有轨迹经过的真实地理范围构建网格地图
Figure FDA0002639849120000011
2)从网格地图
Figure FDA0002639849120000012
中任意选择一对网格分别作为源点S和终点D，提取所有上客点在S且下客点在D的轨迹，若轨迹数量大于l条，则保留该集合并标记为
Figure FDA0002639849120000013
3)根据集合
Figure FDA0002639849120000014
中所有轨迹经过的真实地理范围建立局部网格空间
Figure FDA0002639849120000015
并将集合
Figure FDA0002639849120000016
中每条轨迹映射到局部网格空间
Figure FDA0002639849120000017
中，映射后的轨迹为多个网格坐标的集合，表示为ATi＝{gs，...，gd}，其中，gs，...，gd为
Figure FDA0002639849120000018
中对应网格的坐标；
4)计算集合
Figure FDA0002639849120000019
中每条轨迹的初始异常分数S1(ATi)；
5)根据初始异常分数S1(ATi)选取在区间
Figure FDA00026398491200000110
中的所有轨迹，并将这些轨迹被定义为绝对正常轨迹，构成绝对正常轨迹集合
Figure FDA00026398491200000111
6)根据集合
Figure FDA00026398491200000112
中每条轨迹与绝对正常轨迹集合
Figure FDA00026398491200000113
中交集最大的k条绝对正常轨迹的平均交叉集距离，计算修正后的异常分数S2(ATi)；
7)根据修正后的异常分数S2(ATi)，采用分类器
Figure FDA00026398491200000114
对集合
Figure FDA00026398491200000115
中的每条轨迹进行分类。
2.根据权利要求1所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤1)中，轨迹定义为一段完整的车辆送客行驶轨迹，包含乘客的上车地点以及下车地点，即上客点和下客点，轨迹点数据为车载GPS记录的车辆行驶数据，每个轨迹点包括车辆所经过地点的经纬度以及对应的时间，轨迹点的起点和终点分别对应乘客的上车地点和下车地点。
3.根据权利要求1所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤1)中，网格地图
Figure FDA00026398491200000116
的构建方法具体包括以下步骤：
11)遍历所有车辆轨迹，获取轨迹点中的经度取值范围X和纬度取值范围Y；
12)基于开源地图，获取经度取值范围X和纬度取值范围Y内所对应的真实地理空间
Figure FDA00026398491200000117
13)将真实地理空间
Figure FDA00026398491200000118
正交分割为多个相同的小网格，每个小网格代表地图中的一块真实区域，得到网格地图
Figure FDA00026398491200000119
4.根据权利要求1所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤3)中，局部网格空间
Figure FDA0002639849120000021
的建立方法与网格地图
Figure FDA0002639849120000022
的建立方法相同，且局部网格空间
Figure FDA0002639849120000023
的覆盖面积小于网格地图
Figure FDA0002639849120000024
5.根据权利要求1所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤3)具体包括以下步骤：
31)在局部网络空间
Figure FDA0002639849120000025
得到轨迹中每个轨迹点的对应网格；
32)创建映射集{AT}，用以表示轨迹所经过的网格坐标的集合，初始为空集；
33)从起始轨迹点开始，依次判断相邻轨迹点所对应的网格在局部网络空间
Figure FDA0002639849120000026
中是否相邻，若是，则将该对网格坐标添加到映射集{AT}中，否则，通过线性插补法获取这对相邻轨迹点所经过的所有网格，并将对应的坐标添加到映射集{AT}中；
34)按照步骤33)的方法，遍历所有轨迹的轨迹点，最终完成轨迹映射到局部网络空间
Figure FDA0002639849120000027
中后的网格化表示。
6.根据权利要求5所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤3中，网格坐标为网格在局部网络空间
Figure FDA0002639849120000028
中的编号。
7.根据权利要求1所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤4)中，第i条轨迹的初始异常分数S1(ATi)的表达式为：
Figure FDA0002639849120000029
其中，|ATi\ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的差集，|ATi∩ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的交集，N为集合
Figure FDA00026398491200000210
中轨迹的数量。
8.根据权利要求1所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤5)中，参数
Figure FDA00026398491200000211
的具体取值范围为0.02-0.05。
9.根据权利要求1所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤6)中，修正后的异常分数S2(ATi)用以表示与绝对正常轨迹集合
Figure FDA00026398491200000212
中最相似的k条绝对正常轨迹相比，第i条轨迹的映射集ATi对应的异常程度，其计算式为：
Figure FDA00026398491200000213
其中，|ATi\ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的差集，|ATi∩ATj|为第i条轨迹的映射集ATi与第j条轨迹的映射集ATj的交集。
10.根据权利要求9所述的一种车辆异常轨迹检测与分类方法，其特征在于，所述的步骤7)中，采用分类器
Figure FDA0002639849120000031
对每条轨迹所属类别进行判断，具体为：
Figure FDA0002639849120000032
其中，GD代表全局绕路轨迹类别，LD代表局部绕路轨迹类别，NT代表正常轨迹类别，LS代表局部最短路轨迹类别，GS代表全局最短路轨迹类别，θ＝(θ1，θ2，θ3，θ4)代表不同类别的分类阈值，其中，第一阈值θ1用以区分GD和LD，第二阈值θ2用以区分LD和NT，第三阈值θ3用以区分NT和LS，第四阈值θ4用以区分LS和GS。
CN202010836394.XA 2020-08-19 2020-08-19 一种车辆异常轨迹检测与分类方法 Pending CN112163590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010836394.XA CN112163590A (zh) 2020-08-19 2020-08-19 一种车辆异常轨迹检测与分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010836394.XA CN112163590A (zh) 2020-08-19 2020-08-19 一种车辆异常轨迹检测与分类方法

Publications (1)

Publication Number Publication Date
CN112163590A true CN112163590A (zh) 2021-01-01

Family

ID=73859568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010836394.XA Pending CN112163590A (zh) 2020-08-19 2020-08-19 一种车辆异常轨迹检测与分类方法

Country Status (1)

Country Link
CN (1) CN112163590A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113965618A (zh) * 2021-10-19 2022-01-21 安徽师范大学 基于模糊理论的异常轨迹检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108345666A (zh) * 2018-02-06 2018-07-31 南京航空航天大学 一种基于时间-空间孤立点的车辆异常轨迹检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108345666A (zh) * 2018-02-06 2018-07-31 南京航空航天大学 一种基于时间-空间孤立点的车辆异常轨迹检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JINGWEI WANG ET AL.: ""Anomalous Trajectory Detection and Classification Based on Difference and Intersection Set Distance"", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113965618A (zh) * 2021-10-19 2022-01-21 安徽师范大学 基于模糊理论的异常轨迹检测方法
CN113965618B (zh) * 2021-10-19 2024-02-23 安徽师范大学 基于模糊理论的异常轨迹检测方法

Similar Documents

Publication Publication Date Title
Biljecki et al. Transportation mode-based segmentation and classification of movement trajectories
Zhang et al. Integration of GPS traces with road map
US20240159543A1 (en) Method and Apparatus for Detecting Deviations from Map Data
CN110379163B (zh) 一种基于轨迹数据的车辆异常减速区域检测方法及系统
Ai et al. Automatic horizontal curve identification and measurement method using GPS data
CN111949896B (zh) 基于轨迹大数据的轨迹异常检测方法
US20220215749A1 (en) Method for predicting at least one profile of the speed of a vehicle on a road network
CN111340427A (zh) 一种基于轨迹数据的货车运行状态识别方法
CN111311910B (zh) 多层次道路级浮动车异常轨迹探测方法
Kortmann et al. Detecting various road damage types in global countries utilizing faster r-cnn
Lakshmi et al. Identification of traffic accident hotspots using geographical information system (GIS)
Thomas Multi-state and multi-sensor incident detection systems for arterial streets
CN112163590A (zh) 一种车辆异常轨迹检测与分类方法
CN115311858A (zh) 基于交通流韧性的城市路段分级管制方法
Li et al. Driving performances assessment based on speed variation using dedicated route truck GPS data
CN117689693A (zh) 一种基于图对比自监督学习的异常局部轨迹检测方法和装置
Jafarlou et al. Improving Fuzzy-logic based map-matching method with trajectory stay-point detection
Zourlidou et al. Intersection detection based on qualitative spatial reasoning on stopping point clusters
Choudhry et al. Inferring truck activities using privacy-preserving truck trajectories data
TW202228091A (zh) 用於產生地圖資料之方法、資料處理設備及電腦程式產品
CN113965618B (zh) 基于模糊理论的异常轨迹检测方法
Keler et al. Detecting travel time variations in urban road networks by taxi trajectory intersections
Zou et al. Inertia mutation energy model to extract roads by crowdsourcing trajectories
Setiawan et al. Monitoring Road Surface Conditions with Cyclist's Smartphone Sensors
Yang et al. Trajectory quality assessment based on movement feature stability

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210101