CN113052219A - 一种异常轨迹检测方法及装置、电子设备 - Google Patents

一种异常轨迹检测方法及装置、电子设备 Download PDF

Info

Publication number
CN113052219A
CN113052219A CN202110281866.4A CN202110281866A CN113052219A CN 113052219 A CN113052219 A CN 113052219A CN 202110281866 A CN202110281866 A CN 202110281866A CN 113052219 A CN113052219 A CN 113052219A
Authority
CN
China
Prior art keywords
detected
track
encoder
data
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.)
Granted
Application number
CN202110281866.4A
Other languages
English (en)
Other versions
CN113052219B (zh
Inventor
张森林
李星辉
刘妹琴
吴争光
樊臻
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110281866.4A priority Critical patent/CN113052219B/zh
Publication of CN113052219A publication Critical patent/CN113052219A/zh
Application granted granted Critical
Publication of CN113052219B publication Critical patent/CN113052219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本申请公开了一种异常轨迹检测方法及装置、电子设备，该方法包括：构建自编码器，所述自编码器由编码器和解码器组成，所述编码器的输出与所述解码器相连，所述编码器和解码器的主体均为RNN网络；采集运动目标的多个时间序列正常轨迹数据组成训练集；使用所述训练集对所述自编码器进行训练；利用所述编码器对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表；利用所述编码器对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征；将所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。与现有的技术相比，本发明具有可扩展性强、模型搭建简单、能够应用于实时监控场景等优点。

Description

一种异常轨迹检测方法及装置、电子设备
技术领域
本申请涉及异常轨迹检测领域，具体涉及一种异常轨迹检测方法及装置、电子设备。
背景技术
异常轨迹检测指的是依据轨迹数据找到感兴趣的离群点，典型案例包括：出租车的绕路行为、交通拥堵、生物的异常运动。
在现有的异常轨迹检测方法中，基于有监督分类的方法需要大量的正常、异常两类轨迹样本作为训练集，但在实际应用中正常样本远远多于异常样本，且很难获取到覆盖全部异常情况的数据集。基于距离度量的方法往往对轨迹数据有一定的要求，例如欧氏距离只适用于长度相等、采集频率相同的轨迹数据，DTW距离和LCSS距离假设不同轨迹具有相同的模式。此外，大多数方法处理的是静态的轨迹数据，而实时监控场景的轨迹是动态增长的，针对此类动态数据的在线异常轨迹检测方法较少。
发明内容
本申请实施例的目的是提供一种异常轨迹检测方法及装置、电子设备，以解决相关技术中存在的异常数据集难以获取、轨迹数据的距离度量限制诸多的技术问题。
根据本申请实施例的第一方面，提供一种异常轨迹检测方法，包括：
构建自编码器，所述自编码器由编码器和解码器组成，所述编码器的输出与所述解码器相连，所述编码器和解码器的主体均为RNN网络；
采集运动目标的多个时间序列正常轨迹数据组成训练集；
使用所述训练集对所述自编码器进行训练；
利用所述编码器对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表；
利用所述编码器对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征；
将所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。
根据本申请实施例的第二方面，提供一种异常轨迹检测装置，包括：
构建模块，用于构建自编码器，所述自编码器由编码器和解码器组成，所述编码器的输出与所述解码器相连，所述编码器和解码器的主体均为RNN网络；
采集模块，用于采集运动目标的多个时间序列正常轨迹数据组成训练集；
训练模块，用于使用所述训练集对所述自编码器进行训练；
第一特征转换模块，用于利用所述编码器对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表；
第二特征转换模块，用于利用所述编码器对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征；
第一判断模块，用于将所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。
根据本申请实施例的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
由上述实施例可知，本申请采用RNN网络处理时间序列轨迹数据，对轨迹数据的空间维数、数据结构没有限制，且无需保证轨迹数据的采集时间跨度相同、长度相等，因此易用性和扩展性较强。本申请的自编码器的训练数据完全由正常轨迹数据组成，无需额外搜集大量的异常轨迹数据，能够降低模型搭建的难度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的第一种异常轨迹检测方法的流程图。
图2是根据一示例性实施例示出的自编码器的网络结构。
图3是根据一示例性实施例示出的第二种异常轨迹检测方法的流程图。
图4是根据一示例性实施例示出的第一种异常轨迹检测装置的结构示意图。
图5是根据一示例性实施例示出的第二种异常轨迹检测装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是根据一示例性实施例示出的第一种异常轨迹检测方法的流程图，如图1所示，该方法可应用于终端中，可以包括以下步骤：
步骤S101，构建自编码器
Figure BDA0002978864190000041
所述自编码器
Figure BDA0002978864190000042
由编码器ε和解码器
Figure BDA0002978864190000043
组成，所述编码器ε的输出与所述解码器
Figure BDA0002978864190000044
相连，所述编码器ε和解码器
Figure BDA0002978864190000045
的主体均为RNN网络；
步骤S102，采集运动目标的多个时间序列正常轨迹数据组成训练集；
步骤S103，使用所述训练集对所述自编码器
Figure BDA0002978864190000046
进行训练；
步骤S104，利用所述编码器ε对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表
Figure BDA0002978864190000047
步骤S105，利用所述编码器ε对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征；
步骤S106，将所述待检测轨迹的编码特征与所有编码特征代表
Figure BDA0002978864190000048
进行比较，判断待检测轨迹是否异常。
由上述实施例可知，本申请采用RNN网络处理时间序列轨迹数据，对轨迹数据的空间维数、数据结构没有限制，且无需保证轨迹数据的采集时间跨度相同、长度相等，因此易用性和扩展性较强。本申请的自编码器的训练数据完全由正常轨迹数据组成，无需额外搜集大量的异常轨迹数据，能够降低模型搭建的难度。
上述步骤S101中，所述编码器ε和解码器
Figure BDA0002978864190000049
采用LSTM或GRU网络。
上述步骤S102中，所述时间序列正常轨迹数据为预定时间间隔采样的运动目标的位置信息，所述位置信息为运动目标在二维空间的中心坐标。
在上述步骤S102采集运动目标的多个时间序列正常轨迹数据组成训练集后还包括：
对所述训练集中所有的时间序列正常轨迹数据进行标准化处理，标准化处理后用于对所述自编码器的训练。标准化处理能够提升模型计算的稳定性。
具体地，所述标准化处理包括：
计算所有时间序列正常轨迹数据的均值μ和标准差σ，将每个时间序列正常轨迹数据标准化为a′＝(a-μ)/σ，其中a′为标准化处理后的时间序列正常轨迹数据，a为标准化处理前的时间序列正常轨迹数据。
上述步骤S103中，使用所述训练集对所述自编码器
Figure BDA0002978864190000059
进行训练，包括：
采用反向传播算法训练所述自编码器
Figure BDA0002978864190000057
其中，如图2所示，在所述编码器ε中，RNN网络接收标准化处理后的时间序列正常轨迹数据A(尺寸N×D)的输入，将最后一个时间点的隐层输出
Figure BDA0002978864190000051
(尺寸S)作为编码特征B，所述编码特征B是固定长度的特征向量；以及，
在所述解码器
Figure BDA0002978864190000058
中，RNN网络接收所述编码特征B与辅助信息C的输入，再将每个时间点的隐层输出送入全连接层，输出重构的轨迹数据A′(尺寸N×D)，其中所述辅助信息C以概率ρ＝50％设置为A，其余情形设置为A′，所述解码器
Figure BDA0002978864190000054
的RNN网络的数据输入是编码特征B和上一时间点的辅助信息Ct-1的拼接，所述全连接层的输入是编码特征B、上一时间点的辅助信息Ct-1和当前时间点的隐层输出
Figure BDA0002978864190000052
的拼接。设置所述辅助信息C引入了TeacherForcing机制，能够加快所述解码器
Figure BDA0002978864190000055
的有效训练。
训练所述自编码器
Figure BDA0002978864190000056
采用的损失函数是A与A′的均方误差，用式子表示是：
Figure BDA0002978864190000053
其中A与A′的尺寸均为N×D，Aij表示A中第i行第j列的元素，A′ij表示A′中第i行第j列的元素。
上述步骤S104中，利用所述编码器ε对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表
Figure BDA0002978864190000061
包括：
采用所述编码器ε将所述训练集中的所有时间序列正常轨迹数据变换为对应的编码特征；
采用DBSCAN算法对所有编码特征进行聚类，DBSCAN算法结果中的核心对象即正常轨迹的特征代表
Figure BDA0002978864190000062
上述步骤S105中，利用所述编码器ε对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征，包括：
对待检测轨迹数据进行标准化处理；
采用所述编码器ε将标准化处理后的待检测轨迹数据变换为对应的编码特征。
上述步骤S106中，将所述待检测轨迹的编码特征与所有编码特征代表
Figure BDA0002978864190000063
进行比较，判断待检测轨迹是否异常，包括：
计算所述待检测轨迹的编码特征与所有特征代表
Figure BDA0002978864190000064
的欧式距离，并取所有欧式距离的平均值；
当所有欧式距离的平均值大于异常阈值θ时，则标记该待检测轨迹的辅助状态为异常，否则标记该待检测轨迹的辅助状态为正常；
若待检测轨迹的输出状态未被初始化，则将输出状态初始化为辅助状态；
当待检测轨迹的连续k＝5个时间点辅助状态与输出状态不同时，则将输出状态更新为辅助状态。辅助状态的引入为异常检测提供了滞回特性，保证了在线检测场景中结果的稳定性和可靠性。
图3是根据一示例性实施例示出的第二种异常轨迹检测方法的流程图，在上述步骤S106判断待检测轨迹是否异常后，还可包括：
步骤S107，当所述待检测轨迹数据动态增长后，利用所述编码器ε对动态增长后的待检测轨迹数据进行特征变换，更新所述待检测轨迹的编码特征；
步骤S108，将更新后的所述待检测轨迹的特征与所述特征代表
Figure BDA0002978864190000065
进行比较，判断待检测轨迹是否异常。
具体地，利用所述编码器ε对动态增长后的待检测轨迹数据进行特征变换，更新所述待检测轨迹的编码特征，包括：
动态增长后的待检测轨迹数据进行标准化处理；
在所述编码器ε的RNN网络上进行一个时间点的计算，隐层输入是待检测轨迹在上一个时间点的编码特征，数据输入是标准化处理后的新增数据，隐层输出是待检测轨迹在当前时间点的编码特征。该更新过程利用RNN在时间维度上的循环特性，在每个时间点复用上一个时间点的编码特征，计算量较小，适合实时监控场景。
需要说明的是，这里的步骤S108实际上可以是步骤S106来替代，即两者可以为一个，实现循环迭代。
与前述的异常轨迹检测方法的实施例相对应，本申请还提供了异常轨迹检测装置的实施例。
图4是根据一示例性实施例示出的第一种异常轨迹检测装置框图。参照图4，该装置包括：
构建模块21，用于构建自编码器，所述自编码器由编码器和解码器组成，所述编码器的输出与所述解码器相连，所述编码器和解码器的主体均为RNN网络；
采集模块22，用于采集运动目标的多个时间序列正常轨迹数据组成训练集；
训练模块23，用于使用所述训练集对所述自编码器进行训练；
第一特征转换模块24，用于利用所述编码器对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表；
第二特征转换模块25，用于利用所述编码器对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征；
第一判断模块26，用于将所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。
图5是根据一示例性实施例示出的第二种异常轨迹检测装置框图，在所述第一判断模块26后，还包括：
更新模块27，用于当所述待检测轨迹数据动态增长后，利用所述编码器对动态增长后的待检测轨迹数据进行特征变换，更新所述待检测轨迹的编码特征；
第二判断模块28，用于将更新后的所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。
需要说明的是，这里的第二判断模块28实际上可以是第一判断模块26来替代，即两者可以为一个，实现循环迭代。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的一种异常轨迹检测方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的一种异常轨迹检测方法。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种异常轨迹检测方法，其特征在于，包括：
构建自编码器，所述自编码器由编码器和解码器组成，所述编码器的输出与所述解码器相连，所述编码器和解码器的主体均为RNN网络；
采集运动目标的多个时间序列正常轨迹数据组成训练集；
使用所述训练集对所述自编码器进行训练；
利用所述编码器对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表；
利用所述编码器对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征；
将所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。
2.根据权利要求1所述的方法，其特征在于，使用所述训练集对所述自编码器进行训练，包括：
采用反向传播算法训练所述自编码器；
其中，在所述编码器中，RNN网络接收标准化处理后的时间序列正常轨迹数据A的输入，将最后一个时间点的隐层输出作为编码特征B，所述编码特征B是固定长度的特征向量；以及，
在所述解码器中，RNN网络接收所述编码特征B与辅助信息C的输入，再将每个时间点的隐层输出送入全连接层，输出重构的轨迹数据A′，其中所述辅助信息C以概率ρ设置为A，其余情形设置为A′，所述自编码器采用的损失函数是A与A′的均方误差。
3.根据权利要求1所述的方法，其特征在于，利用所述编码器对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表，包括：
采用所述编码器将所述训练集中的所有时间序列正常轨迹数据变换为对应的编码特征；
采用聚类算法对所有编码特征进行聚类，获得若干个正常轨迹的编码特征代表。
4.根据权利要求1所述的方法，其特征在于，利用所述编码器对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征，包括：
对待检测轨迹数据进行标准化处理；
采用所述编码器将标准化处理后的待检测轨迹数据变换为对应的编码特征。
5.根据权利要求1所述的方法，其特征在于，将所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常，包括：
计算所述待检测轨迹的编码特征与所有特征代表的欧式距离，并取所有欧式距离的平均值；
当所有欧式距离的平均值大于异常阈值时，则标记该待检测轨迹的辅助状态为异常，否则标记该待检测轨迹的辅助状态为正常；
若待检测轨迹的输出状态未被初始化，则将输出状态初始化为辅助状态；
当待检测轨迹的连续k个时间点辅助状态与输出状态不同时，则将输出状态更新为辅助状态。
6.根据权利要求1所述的方法，其特征在于，所述判断待检测轨迹是否异常后，还包括：
当所述待检测轨迹数据动态增长后，利用所述编码器对动态增长后的待检测轨迹数据进行特征变换，更新所述待检测轨迹的编码特征；
将更新后的所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。
7.根据权利要求6所述的方法，其特征在于，利用所述编码器对动态增长后的待检测轨迹数据进行特征变换，更新所述待检测轨迹的编码特征，包括：
动态增长后的待检测轨迹数据进行标准化处理；
在所述编码器的RNN网络上进行一个时间点的计算，隐层输入是待检测轨迹在上一个时间点的编码特征，数据输入是标准化处理后的新增数据，隐层输出是待检测轨迹在当前时间点的编码特征。
8.一种异常轨迹检测装置，其特征在于，包括：
构建模块，用于构建自编码器，所述自编码器由编码器和解码器组成，所述编码器的输出与所述解码器相连，所述编码器和解码器的主体均为RNN网络；
采集模块，用于采集运动目标的多个时间序列正常轨迹数据组成训练集；
训练模块，用于使用所述训练集对所述自编码器进行训练；
第一特征转换模块，用于利用所述编码器对所述训练集进行特征变换，得到若干个正常轨迹的编码特征代表；
第二特征转换模块，用于利用所述编码器对待检测轨迹数据进行特征变换，得到待检测轨迹的编码特征；
第一判断模块，用于将所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。
9.根据权利要求8所述的装置，其特征在于，在所述第一判断模块后，还包括：
更新模块，用于当所述待检测轨迹数据动态增长后，利用所述编码器对动态增长后的待检测轨迹数据进行特征变换，更新所述待检测轨迹的编码特征；
第二判断模块，用于将更新后的所述待检测轨迹的编码特征与所有编码特征代表进行比较，判断待检测轨迹是否异常。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。
CN202110281866.4A 2021-03-16 2021-03-16 一种异常轨迹检测方法及装置、电子设备 Active CN113052219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110281866.4A CN113052219B (zh) 2021-03-16 2021-03-16 一种异常轨迹检测方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110281866.4A CN113052219B (zh) 2021-03-16 2021-03-16 一种异常轨迹检测方法及装置、电子设备

Publications (2)

Publication Number Publication Date
CN113052219A true CN113052219A (zh) 2021-06-29
CN113052219B CN113052219B (zh) 2022-05-31

Family

ID=76513139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110281866.4A Active CN113052219B (zh) 2021-03-16 2021-03-16 一种异常轨迹检测方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN113052219B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523382A (zh) * 2023-07-19 2024-02-06 石河子大学 一种基于改进gru神经网络的异常轨迹检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200065616A1 (en) * 2017-10-30 2020-02-27 Tsinghua University Unsupervised exception access detection method and apparatus based on one-hot encoding mechanism
CN111598881A (zh) * 2020-05-19 2020-08-28 西安电子科技大学 基于变分自编码器的图像异常检测方法
CN112101426A (zh) * 2020-08-26 2020-12-18 东南大学 基于自编码器的无监督学习图像异常检测方法
CN112395382A (zh) * 2020-11-23 2021-02-23 武汉理工大学 基于变分自编码器的船舶异常航迹数据检测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200065616A1 (en) * 2017-10-30 2020-02-27 Tsinghua University Unsupervised exception access detection method and apparatus based on one-hot encoding mechanism
CN111598881A (zh) * 2020-05-19 2020-08-28 西安电子科技大学 基于变分自编码器的图像异常检测方法
CN112101426A (zh) * 2020-08-26 2020-12-18 东南大学 基于自编码器的无监督学习图像异常检测方法
CN112395382A (zh) * 2020-11-23 2021-02-23 武汉理工大学 基于变分自编码器的船舶异常航迹数据检测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GIORGOS BOURITSAS 等: "Automated Real-time Anomaly Detection in Human Trajectories using Sequence to Sequence Networks", 《 2019 16TH IEEE INTERNATIONAL CONFERENCE ON ADVANCED VIDEO AND SIGNAL BASED SURVEILLANCE (AVSS)》 *
KYO KUTSUZAWA: "Sequence-to-Sequence Models for Trajectory Deformation of Dynamic Manipulation", 《IEEE》 *
王梦思等: "基于稀疏自编码特征聚类算法的图像窜改检测", 《计算机应用研究》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523382A (zh) * 2023-07-19 2024-02-06 石河子大学 一种基于改进gru神经网络的异常轨迹检测方法
CN117523382B (zh) * 2023-07-19 2024-06-04 石河子大学 一种基于改进gru神经网络的异常轨迹检测方法

Also Published As

Publication number Publication date
CN113052219B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN106714110B (zh) 一种Wi-Fi位置指纹地图自动构建方法及系统
CN107396322B (zh) 基于路径匹配与编码译码循环神经网络的室内定位方法
US10762305B2 (en) Method for generating chatting data based on artificial intelligence, computer device and computer-readable storage medium
CN114022847B (zh) 一种智能体轨迹预测方法、系统、设备和存储介质
CN107145720B (zh) 连续退化和未知冲击共同作用下的设备剩余寿命预测方法
CN107967440B (zh) 一种基于多区域变尺度3d-hof的监控视频异常检测方法
CN109151995B (zh) 一种基于信号强度的深度学习回归融合定位方法
CN116320042B (zh) 边缘计算的物联终端监测控制系统
CN111161315A (zh) 一种基于图神经网络的多目标跟踪方法和系统
CN113068131B (zh) 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质
CN114449452A (zh) 一种异构设备室内定位算法
CN113052219B (zh) 一种异常轨迹检测方法及装置、电子设备
CN110675879B (zh) 基于大数据的音频评估方法、系统、设备及存储介质
CN118429893A (zh) 基于多源覆冰监测数据的二阶集成覆冰预测方法和设备
CN110988631B (zh) 局部放电定位检测方法、装置、可读存储介质及电气设备
CN115130661A (zh) 模型参数的优化方法、时序数据的异常检测方法及装置
CN115631771A (zh) 基于组合卷积神经网络的声音事件检测与定位方法
CN114942480A (zh) 基于信息感知注意力动态协同网络的海洋站风速预报方法
CN115496175A (zh) 新建边缘节点接入评估方法、装置、终端设备及产品
Liu et al. Transfer Learning and Identification Method of Cross‐View Target Trajectory Utilizing HMM
CN113033615B (zh) 一种基于在线微簇聚类的雷达信号目标实时关联方法
CN211478524U (zh) 局部放电定位检测装置及电气设备
CN115439727B (zh) 一种天气预报方法、系统、装置及可读存储介质
CN117131783B (zh) 基于多模态学习的输电线路风险预测模型、方法和系统
CN117271959B (zh) 一种pm2.5浓度预测结果的不确定性评估方法及设备

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