CN113487858A - 一种面向路网数据的异常轨迹检测方法 - Google Patents

一种面向路网数据的异常轨迹检测方法 Download PDF

Info

Publication number
CN113487858A
CN113487858A CN202110709940.8A CN202110709940A CN113487858A CN 113487858 A CN113487858 A CN 113487858A CN 202110709940 A CN202110709940 A CN 202110709940A CN 113487858 A CN113487858 A CN 113487858A
Authority
CN
China
Prior art keywords
track
abnormal
grid
point
road network
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
CN202110709940.8A
Other languages
English (en)
Other versions
CN113487858B (zh
Inventor
王习特
于雪苹
白梅
马茜
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime 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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202110709940.8A priority Critical patent/CN113487858B/zh
Publication of CN113487858A publication Critical patent/CN113487858A/zh
Application granted granted Critical
Publication of CN113487858B publication Critical patent/CN113487858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向路网数据的异常轨迹检测方法，包括利用当前查询时刻，移动对象的当前位置点到终点的欧氏距离得出轨迹异常因子，判断轨迹异常因子与轨迹异常阈值的大小，若轨迹异常因子的值大于等于轨迹异常阈值的值，则判断为轨迹异常；否则利用移动对象当前位置点与当前已知的最优路径之间的位置关系，结合该最优路径计算轨迹异常因子，若轨迹异常因子的值小于轨迹异常阈值，则判断为轨迹非异常；否则就需要运用最优路径查找方法求取移动对象当前位置点到终点真实的最优路径，由此进行异常判断。本发明针对路网环境，提出一种适用于路网数据的异常轨迹定义，考察了路网中关于时间方面轨迹的异常情况，并且异常检测时避免了使用历史轨迹。

Description

一种面向路网数据的异常轨迹检测方法
技术领域
本发明涉及数据管理领域，尤其涉及一种面向路网数据的异常轨迹检测方法。
背景技术
近些年，城市道路网络中基于车辆等移动对象所产生的轨迹数据的相关研究在智能交通领域掀起了一片研究热潮。轨迹异常检测作为路网轨迹模式挖掘的一个热门研究课题之一，其主要目的是识别出轨迹数据中异常但有价值的数据信息，对路网中欺诈和不良事件的监测具有重大意义。
现如今，大多数针对路网的轨迹异常检测方法都只关注距离、速度、方向方面的异常情况，并未考虑时间信息对异常轨迹检测结果的影响；并且在检测过程中，通常选择使用历史轨迹与目标轨迹的对比结果对轨迹数据进行异常判定，但由于历史轨迹往往受一些外部因素的影响，并不能实时明确的反应路网中实际的运行状态，从而影响异常轨迹检测的准确性。这也就表明设计一种合理的、适用于路网的异常轨迹定义极为必要。此外，异常轨迹检测的效率也是算法研究过程中重点关注的内容，因此，一种面向路网数据的异常轨迹检测方法的提出有着重要意义。
发明内容
本发明提供一种面向路网数据的异常轨迹检测方法，以克服异常轨迹检测不准确的问题。
为了实现上述目的，本发明的技术方案是：
一种面向路网数据的异常轨迹检测方法，其特征在于，包括：
步骤1、基于开源的开放街道地图数据对移动对象所在道路路网转化为无向加权图；
步骤2、在查询时刻ti，根据移动对象当前位置点pi与终点D的欧氏距离dist(pi,D)，结合时速表中各路段所允许的最大时速smax，从而得出轨迹异常因子
Figure BDA0003133193660000011
判断轨迹异常因子
Figure BDA0003133193660000012
与轨迹异常阈值τ的大小，若轨迹异常因子
Figure BDA0003133193660000021
大于等于轨迹异常阈值τ，则代表轨迹异常，终止此次判断，否则进行步骤3；
步骤3、判断移动对象当前位置点pi与当前已知的最优路径TP之间的位置关系，结合最优路径TP计算轨迹异常因子
Figure BDA0003133193660000022
判断轨迹异常因子
Figure BDA0003133193660000023
与轨迹异常阈值τ的大小，若轨迹异常因子
Figure BDA0003133193660000024
小于轨迹异常阈值τ，则代表轨迹非异常，终止此次判断，否则进行步骤4；
步骤4、结合当前路网中各路段的时速，运用最优路径查找方法计算移动对象当前位置点pi与终点D之间的真实最优路径
Figure BDA0003133193660000025
结合真实最优路径
Figure BDA0003133193660000026
计算轨迹异常因子
Figure BDA0003133193660000027
判断轨迹异常因子
Figure BDA0003133193660000028
与轨迹异常阈值τ的大小，若轨迹异常因子
Figure BDA0003133193660000029
大于等于轨迹异常阈值τ，则轨迹异常，反之轨迹非异常。
进一步的，步骤3中利用已知的最优路径TP计算轨迹异常因子
Figure BDA00031331936600000210
具体为：
步骤3.1、判断移动对象所在位置点pi是否在最优路径TP上；
步骤3.2、若移动对象所在位置点pi在最优路径TP上，利用该路径中当前移动对象所在位置点pi到终点D的剩余路径P(pi,D)，由此计算此路径通行时间代价
Figure BDA00031331936600000211
进而得出对应的轨迹异常因子
Figure BDA00031331936600000212
步骤3.3、若移动对象所在位置点pi不在最优路径TP上，则从移动对象所在位置点pi折返到与最优路径TP距离最近的折返点r，利用折返路径P(pi,r)以及路径TP中折返点r到终点D的剩余路径P(r,D)，由此计算折返路径P(pi,r)的通行时间代价与剩余路径P(r,D)的通行时间代价，进而得出对应的轨迹异常因子
Figure BDA00031331936600000213
进一步的，步骤2中得出轨迹异常因子
Figure BDA00031331936600000214
的具体计算公式为：
Figure BDA00031331936600000215
Figure BDA00031331936600000216
其中，po表示移动对象在to时刻的位置点，to为最初发起查询的时刻，
Figure BDA0003133193660000031
表示最优路径OP(pi,D)的通行时间代价，OP(po,D)表示为to时刻移动对象到终点D的最优路径，
Figure BDA0003133193660000032
表示to时刻最优路径OP(po,D)的通行时间代价。
进一步的，步骤4中运用现有Floyd算法或Dijkstra算法，计算移动对象的当前位置点pi到终点D的真实最优路径
Figure BDA0003133193660000033
进一步的，步骤4中还包括利用空间约束法，计算移动对象的当前位置点pi到终点D的真实最优路径
Figure BDA0003133193660000034
其中利用空间约束法确定最优路径
Figure BDA0003133193660000035
的步骤为：
步骤5、将开源的开放街道地图数据映射到二维空间中，将二维空间中的第0维和第1维均等分为m份和n份，即将二维空间划分成m×n个大小相等的矩形网格；
步骤6、对于任意划分所得的网格单元C，假设网格单元C位于二维空间划分后第0维的第k个位置、第1维的第l个位置，得出网格单元C的编码C.code；
步骤7、利用网格单元C的网络编码C.code，获得该矩形网格对应矩形区域四个坐标点；
步骤8、利用矩形网格获取实体网格，利用实体网格构建邻接表索引；
步骤9、根据移动对象的源点O(xo,yo)、终点D(xd,yd)，获得线段OD所经过的矩形网格，使用矩形网格所覆盖的路网数据运用深度优先搜索的方式查找源点O、终点D间的一条可达路径P(O,D)；
步骤10、利用时速表计算出可达路径P(O,D)的通行时间代价
Figure BDA0003133193660000036
步骤11、结合路径P(O,D)的通行时间代价
Figure BDA0003133193660000037
和ti时刻路径可通行的最大时速smax，以源点O(xo,yo)、终点D(xd,yd)为焦点确定斜椭圆限制区域RA；
步骤12、引入斜椭圆限制区域RA的最小外接正矩形，获取最小外接正矩形的四个边界值；
步骤13、利用最小外接正矩形的四个边界值获取与最小外接正矩形相交的网格集合GS中网格编码公式的l和k的取值范围，由此获取网格集合GS所覆盖的路网数据；
步骤14、在网格集合GS所覆盖的路网数据中确定真实最优路径
Figure BDA0003133193660000041
进一步的，步骤6中计算网格单元C的网络编码C.code的公式为：
C.code＝(l-1)m+k。
进一步的，步骤7利用网格单元C的网络编码C.code，获得该网格单元对应矩形区域的四个坐标点，获得网格单元对应矩形区域的四个坐标点具体为，
给定整个二维空间对应矩形区域的最左下角点L的地理坐标为(xL,yL)，最右上角点R的地理坐标为(xR,yR)，则网格单元C四个坐标点的公式为：
Figure BDA0003133193660000042
Figure BDA0003133193660000043
Figure BDA0003133193660000044
Figure BDA0003133193660000045
其中，(xC.LL，yC.LL)代表矩形区域坐标点的左下角点，(xC.RU，yC.RU)代表矩形区域坐标点的右上角点为，(xC.RL，yC.RL)代表矩形区域坐标点的右下角点，(xC.LU，yC.LU)代表矩形区域坐标点的左上角点。
进一步的，步骤12中获取最小外接正矩形的四个边界值的公式为：
Figure BDA0003133193660000046
Figure BDA0003133193660000047
Figure BDA0003133193660000051
Figure BDA0003133193660000052
其中，xm、ym最小外接正矩形的边界值，a为斜椭圆限制区域RA半长轴长度，b为斜椭圆限制区域RA半短轴长度，θ为椭圆长轴2a与x、y轴正方向的夹角，xc、yc为椭圆中心位置C(xc,yc)的横坐标和纵坐标；
其中xm的最大值xmax、最小值xmin和ym的最大值ymax、最小值ymin构成斜椭圆最小外接正矩形的四个边界值。
进一步的，步骤13利用最小外接正矩形的四个边界值获取与最小外接正矩形相交的网格集合GS中网格编码公式的l和k的取值范围，由此获取网格集合GS所覆盖的路网数据具体为，
获取网格集合GS中任意的网格单元C的网络编码C.code，其中，对于正整数l和k的取值范围分别有如下限制：
Figure BDA0003133193660000053
进一步的，步骤14在网格集合GS中确定真实最优路径OPti(pi,D)具体为：
步骤14.1、对于网格集合GS中任意顶点N(x,y)，若不满足xmin≤x≤xmax且ymin≤y≤ymax，则将该顶点过滤；
步骤14.2、对于剩余顶点N(x,y)，若|ON|+|DN|≤2a，即有：
Figure BDA0003133193660000061
则表示顶点N在斜椭圆限制区域RA内；
若|ON|+|DN|＞2a，即将该顶点过滤；
其中|DN|代表顶点N到终点D的欧式距离，|ON|代表源点O到顶点N的欧式距离；
步骤14.3、利用斜椭圆限制区域RA内的路网数据进行真实最优路径OPti(pi,D)的查找。
有益效果：
本发明给出一种高效的异常轨迹检测方法，依据查询时刻移动对象的位置信息以及当前已知的最优路径信息对轨迹进行异常判定，一定程度上降低了最优路径的查找几率，加速了异常轨迹的检测效率；
本发明为进一步提升异常轨迹的检测效率，提出一种基于空间约束的最优路径查找方法，依据椭圆限制区域进行无关顶点的过滤，大大节省了计算开销，加速了最优路径的查找，由此提高了异常轨迹的检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明异常轨迹检测方法流程图；
图2为本发明利用空间约束法确定最优路径流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供了一种面向路网数据的异常轨迹检测方法，如图1，具体步骤为：
步骤1、基于开源的开放街道地图数据对移动对象所在道路路网转化为无向加权图，具体转换公式为：
G＝(V,E)
其中G代表无向加权图，V代表道路交叉点和道路终点的集合，E代表两个相邻顶点间边的集合。对于无向加权图每条边e(u,v)∈E都有权重w(u,v)，w(u,v)表示路网中顶点u和v之间的真实路线距离。
步骤2、在查询时刻ti，根据移动对象当前位置点pi与终点D的欧氏距离dist(pi,D)，结合时速表中各路段所允许的最大时速smax，从而得出轨迹异常因子
Figure BDA0003133193660000071
具体的轨迹异常因子
Figure BDA0003133193660000072
的计算方式为：
当查询时刻ti，给定移动对象的当前位置点pi、终点D、发起查询的时刻to、轨迹异常阈值τ，利用现有的欧式距离方法得出当前位置点pi到终点D欧式距离dist(pi,D)，则结合时速表中各路段所允许的最大时速smax，从而得出轨迹异常因子
Figure BDA0003133193660000073
Figure BDA0003133193660000074
Figure BDA0003133193660000075
其中，po表示移动对象在to时刻的位置点，to为最初发起查询的时刻，
Figure BDA0003133193660000076
表示最优路径OP(pi,D)的通行时间代价，OP(po,D)表示为to时刻移动对象到终点D的最优路径，
Figure BDA0003133193660000081
表示to时刻最优路径OP(po,D)的通行时间代价。
由此求得轨迹异常因子
Figure BDA0003133193660000082
对移动对象轨迹的异常情况进行初步的判断，若轨迹异常因子
Figure BDA0003133193660000083
大于等于轨迹异常阈值τ，则代表轨迹异常，终止此次判断，否则进行步骤3；
步骤3、判断移动对象当前位置点pi与当前已知的最优路径TP(即最新获取的最优路径)的位置关系，结合最优路径TP计算轨迹异常因子
Figure BDA0003133193660000084
判断轨迹异常因子
Figure BDA0003133193660000085
与轨迹异常阈值τ的大小，若轨迹异常因子
Figure BDA0003133193660000086
小于轨迹异常阈值τ，则代表轨迹非异常，终止此次判断，否则进行步骤4；
在具体实施例中，步骤3中利用已知的最优路径TP计算轨迹异常因子
Figure BDA0003133193660000087
具体为：
步骤3.1、判断移动对象所在位置点pi是否在最优路径TP上；
步骤3.2、若移动对象所在位置点pi在最优路径TP上，利用该路径中当前移动对象所在位置点pi到终点D的剩余路径P(pi,D)，由此计算此路径通行时间代价
Figure BDA0003133193660000088
进而得出剩余路径P(pi,D)的轨迹异常因子
Figure BDA0003133193660000089
此时，轨迹异常因子计算公式中
Figure BDA00031331936600000810
的计算方式为：
Figure BDA00031331936600000811
步骤3.3、若移动对象所在位置点pi不在最优路径TP上，则从移动对象所在位置点pi折返到与最优路径TP距离最近的折返点r，利用折返路径P(pi,r)以及路径TP中折返点r到终点D的剩余路径P(r,D)，由此计算折返路径P(pi,r)的通行时间代价
Figure BDA00031331936600000812
与剩余路径P(r,D)的通行时间代价
Figure BDA00031331936600000813
进而得出当前位置点pi到终点D的轨迹异常因子
Figure BDA00031331936600000814
此时，轨迹异常因子计算公式中
Figure BDA00031331936600000815
的计算方式为：
Figure BDA00031331936600000816
步骤4、结合当前路网中各路段的时速，运用最优路径查找方法计算移动对象当前位置点pi与终点D之间的真实最优路径
Figure BDA00031331936600000817
计算真实最优路径
Figure BDA0003133193660000091
的轨迹异常因子
Figure BDA0003133193660000092
此时，轨迹异常因子计算公式中
Figure BDA0003133193660000093
的计算方式为：
Figure BDA0003133193660000094
若轨迹异常因子
Figure BDA0003133193660000095
大于等于轨迹异常阈值τ，则轨迹异常，反之轨迹非异常。
本发明针对路网环境，提出一种适用于路网数据的异常轨迹定义，考察了路网中关于时间方面轨迹的异常情况，并且异常检测时避免了使用历史轨迹，并且本发明给出一种高效的异常轨迹检测方法，如图2，依据查询时刻移动对象的位置信息以及当前已知的最优路径信息对轨迹进行异常判定，一定程度上降低了最优路径的查找几率，加速了异常轨迹的检测效率。
在具体实施例中，利用Floyd算法或Dijkstra算法，根据移动对象的当前位置点pi、源点O、终点D确定真实最优路径OP(pi,D)。
在具体实施例中，还包括利用空间约束法，计算移动对象的当前位置点pi到终点D的真实最优路径
Figure BDA0003133193660000096
其中利用空间约束法确定真实最优路径
Figure BDA0003133193660000097
的步骤为：
步骤5、将开源的开放街道地图数据映射到二维空间中，将二维空间中的第0维和第1维均等分为m份和n份，即将二维空间划分成m×n个大小相等的矩形网格；
步骤6、对于任意划分所得的网格单元C，假设网格单元C位于二维空间划分后第0维的第k个位置、第1维的第l个位置，得出网格单元C的编码C.code；
步骤6中计算网格单元C的编码C.code的公式为：
C.code＝(l-1)m+k
步骤7、利用网格单元C的编码C.code，获得该矩形网格对应矩形区域四个坐标点；获得网格单元对应矩形区域坐标点具体为，
给定整个二维空间对应矩形区域的最左下角点L的地理坐标为(xL,yL)，最右上角点R的地理坐标为(xR,yR)，则网格单元C四个坐标点的公式为：
Figure BDA0003133193660000101
Figure BDA0003133193660000102
Figure BDA0003133193660000103
Figure BDA0003133193660000104
其中，(xC.LL，yC.LL)代表矩形区域坐标点的左下角点，(xC.RU，yC.RU)代表矩形区域坐标点的右上角点为，(xC.RL，yC.RL)代表矩形区域坐标点的右下角点，(xC.LU，yC.LU)代表矩形区域坐标点的左上角点。
步骤8、利用矩形网格获取实体网格，利用实体网格构建邻接表索引；
其中，实体网络和邻接网络的定义为：
实体网格：对于网格划分后所得到的网格集合CS，若网格单元C内没有顶点，将网格单元C从集合CS中移除，则对于移除操作后集合CS中任意剩余网格单元C均称为实体网格。
邻居网格：对于任意一个网格单元CC.code，其网格编码C.code＝(l-1)m+k，则对应的邻居网格集合表示为：
N(CC.code)＝{C’C’.code|C’C’.code＝(l’-1)m+k’，l’＝l±1，k’＝k±1，C’C’.code≠CC.code}
其中N(CC.code)代表邻居网格集合，C’C’.code代表邻居网格集合中的网格N(CC.code)，l’代表二维空间划分后网格C’C’.code在第1维的第l’个位置，k’代表表示二维空间划分后网格C’C’.code在第0维的第k’个位置。
除了网格划分后边界上的网格，剩余每个网格C均有8个邻居网格，8个邻居网格的作用是方便后续进行矩形网格的扩展。
对网格划分后，集合CS中所有实体网格，以网格间的邻接关系构建邻接表索引，构建邻接表索引用于记录路网中顶点间的连通关系，方便数据管理，其中，网格间的邻接关系有如下定义：
邻接网格：给定顶点u∈网格单元C，顶点v∈网格单元C’，其中网格单元C’为集合CS中的另一个网格单元，若网格单元C和网格单元C’存在边e(u,v)∈E，则网格单元C与网格单元C’互称为邻接网格，即A(C)＝C’，A(C’)＝C，对应的边e(u,v)称为邻接边，则有邻接边集合AE(C,C’)＝{e(u,v),...}，u、v称为邻接顶点，其中A(C)代表网格单元C的邻接网格，A(C’)代表网格单元C’的邻接网格。
基于网格的邻接表索引GALI满足如下性质：
1)实体网格表：顺序存储实体网格对应的最短路径矩阵，以及指向第一个邻接网格间邻接边的指针；
2)邻接边表：链式存储邻接网格间邻接边的数据信息，以及指向下一个邻接网格的指针；
3)实体网格对应的SP矩阵中，每个元素存储网格内两邻接顶点间的最短路径SP，其中元素指的是矩阵中第i行、第j列的位置所代表的内容，若在网格内两个邻接顶点不存在连通路径，则
Figure BDA0003133193660000111
4)对于存在邻接关系的网格单元C、网格单元C’，邻接边信息以两元组的形式存储，具体表示形式为：<e(u,v),w(u,v)>，其中u、v为邻接顶点，w(u,v)表示为邻接边e(u,v)的权重；
5)对于存在邻接关系的网格单元C、网格单元C’，若两个网格单元间不止存在一条邻接边，则按照邻接边权重从小到大的顺序表示。
步骤9、根据移动对象的源点O(xo,yo)、终点D(xd,yd)，获得线段OD所经过的矩形网格，使用矩形网格所覆盖的路网数据运用深度优先搜索的方式查找源点O、终点D间的一条可达路径P(O,D)；
步骤10、利用时速表计算出可达路径P(O,D)的通行时间代价
Figure BDA0003133193660000121
步骤11、结合路径P(O,D)的通行时间代价
Figure BDA0003133193660000122
和ti时刻路径可通行的最大时速smax，以源点O(xo,yo)、终点D(xd,yd)为焦点确定斜椭圆限制区域RA；
具体确定斜椭圆限制区域RA的公式为：2a＝TCti(P(O,D))×smax，2c＝dist(O,D)，a2＝b2+c2，其中a为斜椭圆限制区域RA的半长轴长度，b为斜椭圆限制区域RA的半短轴长度。
步骤12、引入斜椭圆限制区域RA的最小外接正矩形，获取最小外接正矩形的四个边界值；
步骤12中获取最小外接正矩形的四个边界值的公式为：
Figure BDA0003133193660000123
Figure BDA0003133193660000124
Figure BDA0003133193660000125
Figure BDA0003133193660000126
其中，xm、ym最小外接正矩形的边界值，a为斜椭圆限制区域RA半长轴长度，b为斜椭圆限制区域RA半短轴长度，θ为椭圆长轴2a与x、y轴正方向的夹角，xc、yc为椭圆中心位置C(xc,yc)的横坐标和纵坐标；
其中xm的最大值xmax、最小值xmin和ym的最大值ymax、最小值ymin构成斜椭圆最小外接正矩形的四个边界值。
步骤13、利用最小外接正矩形的四个边界值获取与最小外接正矩形相交的网格集合GS中网格编码公式的l和k的取值范围，由此获取网格集合GS所覆盖的路网数据；
获取网格集合GS中任意的网格单元C的网络编码C.code，其中，对于正整数l和k的取值范围分别有如下限制：
Figure BDA0003133193660000131
步骤14、在网格集合GS所覆盖的路网数据中确定真实最优路径
Figure BDA0003133193660000132
具体为：
步骤14.1、对于网格集合GS中任意顶点N(x,y)，若不满足xmin≤x≤xmax且ymin≤y≤ymax，则将该顶点过滤；
步骤14.2、对于剩余顶点N(x,y)，若|ON|+|DN|≤2a，即有：
Figure BDA0003133193660000133
则表示顶点N在斜椭圆限制区域RA内；
若|ON|+|DN|＞2a，即将该顶点过滤；
其中|DN|代表顶点N到终点D的欧式距离，|ON|代表源点O到顶点N的欧式距离；
对于所有剩余顶点，即斜椭圆限制区域RA所覆盖的路网信息；
步骤14.3、利用斜椭圆限制区域RA内的路网数据进行真实最优路径
Figure BDA0003133193660000141
的查找。
本发明给出一种高效的异常轨迹检测方法，依据查询时刻移动对象的位置信息以及当前已知的最优路径信息对轨迹进行异常判定，一定程度上降低了最优路径的查找几率，加速了异常轨迹的检测效率；
本发明为进一步提升异常轨迹的检测效率，提出一种基于空间约束的最优路径查找方法，依据椭圆限制区域进行无关顶点的过滤，大大节省了计算开销，加速了最优路径的查找，由此提高了异常轨迹的检测效率。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种面向路网数据的异常轨迹检测方法，其特征在于，包括：
步骤1、基于开源的开放街道地图数据对移动对象所在道路路网转化为无向加权图；
步骤2、在查询时刻ti，根据移动对象当前位置点pi与终点D的欧氏距离dist(pi,D)，结合时速表中各路段所允许的最大时速smax，从而得出轨迹异常因子
Figure FDA0003133193650000011
判断轨迹异常因子
Figure FDA0003133193650000012
与轨迹异常阈值τ的大小，若轨迹异常因子
Figure FDA0003133193650000013
大于等于轨迹异常阈值τ，则代表轨迹异常，终止此次判断，否则进行步骤3；
步骤3、判断移动对象当前位置点pi与当前已知的最优路径TP之间的位置关系，结合最优路径TP计算轨迹异常因子
Figure FDA0003133193650000014
判断轨迹异常因子
Figure FDA0003133193650000015
与轨迹异常阈值τ的大小，若轨迹异常因子
Figure FDA0003133193650000016
小于轨迹异常阈值τ，则代表轨迹非异常，终止此次判断，否则进行步骤4；
步骤4、结合当前路网中各路段的时速，运用最优路径查找方法计算移动对象当前位置点pi与终点D之间的真实最优路径
Figure FDA0003133193650000017
结合真实最优路径
Figure FDA0003133193650000018
计算轨迹异常因子
Figure FDA0003133193650000019
判断轨迹异常因子
Figure FDA00031331936500000110
与轨迹异常阈值τ的大小，若轨迹异常因子
Figure FDA00031331936500000111
大于等于轨迹异常阈值τ，则轨迹异常，反之轨迹非异常。
2.如权利要求1所述的一种面向路网数据的异常轨迹检测方法，其特征在于，步骤3中利用已知的最优路径TP计算轨迹异常因子
Figure FDA00031331936500000112
具体为：
步骤3.1、判断移动对象所在位置点pi是否在最优路径TP上；
步骤3.2、若移动对象所在位置点pi在最优路径TP上，利用该路径中当前移动对象所在位置点pi到终点D的剩余路径P(pi,D)，由此计算此路径通行时间代价
Figure FDA00031331936500000113
进而得出对应的轨迹异常因子
Figure FDA00031331936500000114
步骤3.3、若移动对象所在位置点pi不在最优路径TP上，则从移动对象所在位置点pi折返到与最优路径TP距离最近的折返点r，利用折返路径P(pi,r)以及路径TP中折返点r到终点D的剩余路径P(r,D)，由此计算折返路径P(pi,r)的通行时间代价与剩余路径P(r,D)的通行时间代价，进而得出对应的轨迹异常因子
Figure FDA0003133193650000021
3.如权利要求2所述的一种面向路网数据的异常轨迹检测方法，其特征在于：步骤2中得出轨迹异常因子
Figure FDA0003133193650000022
的具体计算公式为：
Figure FDA0003133193650000023
Figure FDA0003133193650000024
其中，po表示移动对象在to时刻的位置点，to为最初发起查询的时刻，
Figure FDA0003133193650000025
表示最优路径OP(pi,D)的通行时间代价，OP(po,D)表示为to时刻移动对象到终点D的最优路径，
Figure FDA0003133193650000026
表示to时刻最优路径OP(po,D)的通行时间代价。
4.如权利要求3所述的一种面向路网数据的异常轨迹检测方法，其特征在于：步骤4中运用现有Floyd算法或Dijkstra算法，计算移动对象的当前位置点pi到终点D的真实最优路径
Figure FDA0003133193650000027
5.如权利要求4所述的一种面向路网数据的异常轨迹检测方法，其特征在于，步骤4中还包括利用空间约束法，计算移动对象的当前位置点pi到终点D的真实最优路径
Figure FDA0003133193650000028
其中利用空间约束法确定真实最优路径
Figure FDA0003133193650000029
的步骤为：
步骤5、将开源的开放街道地图数据映射到二维空间中，将二维空间中的第0维和第1维均等分为m份和n份，即将二维空间划分成m×n个大小相等的矩形网格；
步骤6、对于任意划分所得的网格单元C，假设网格单元C位于二维空间划分后第0维的第k个位置、第1维的第l个位置，得出网格单元C的编码C.code；
步骤7、利用网格单元C的网络编码C.code，获得该矩形网格对应矩形区域四个坐标点；
步骤8、利用矩形网格获取实体网格，利用实体网格构建邻接表索引；
步骤9、根据移动对象的源点O(xo,yo)、终点D(xd,yd)，获得线段OD所经过的矩形网格，使用矩形网格所覆盖的路网数据运用深度优先搜索的方式查找源点O、终点D间的一条可达路径P(O,D)；
步骤10、利用时速表计算出可达路径P(O,D)的通行时间代价
Figure FDA0003133193650000031
步骤11、结合路径P(O,D)的通行时间代价
Figure FDA0003133193650000032
和ti时刻路径可通行的最大时速smax，以源点O(xo,yo)、终点D(xd,yd)为焦点确定斜椭圆限制区域RA；
步骤12、引入斜椭圆限制区域RA的最小外接正矩形，获取最小外接正矩形的四个边界值；
步骤13、利用最小外接正矩形的四个边界值获取与最小外接正矩形相交的网格集合GS中网格编码公式的l和k的取值范围，由此获取网格集合GS所覆盖的路网数据；
步骤14、在网格集合GS所覆盖的路网数据中确定真实最优路径
Figure FDA0003133193650000033
6.如权利要求5所述的一种面向路网数据的异常轨迹检测方法，其特征在于，步骤6中计算网格单元C的网络编码C.code的公式为：
C.code＝(l-1)m+k。
7.如权利要求6所述的一种面向路网数据的异常轨迹检测方法，其特征在于，步骤7利用网格单元C的网络编码C.code，获得该网格单元对应矩形区域的四个坐标点，获得网格单元对应矩形区域的四个坐标点具体为，
给定整个二维空间对应矩形区域的最左下角点L的地理坐标为(xL,yL)，最右上角点R的地理坐标为(xR,yR)，则网格单元C四个坐标点的公式为：
Figure FDA0003133193650000034
Figure FDA0003133193650000041
Figure FDA0003133193650000042
Figure FDA0003133193650000043
其中，(xC.LL，yC.LL)代表矩形区域坐标点的左下角点，(xC.RU，yC.RU)代表矩形区域坐标点的右上角点为，(xC.RL，yC.RL)代表矩形区域坐标点的右下角点，(xC.LU，yC.LU)代表矩形区域坐标点的左上角点。
8.如权利要求7所述的一种面向路网数据的异常轨迹检测方法，其特征在于，步骤12中获取最小外接正矩形的四个边界值的公式为：
Figure FDA0003133193650000044
Figure FDA0003133193650000045
Figure FDA0003133193650000046
Figure FDA0003133193650000047
其中，xm、ym最小外接正矩形的边界值，a为斜椭圆限制区域RA半长轴长度，b为斜椭圆限制区域RA半短轴长度，θ为椭圆长轴2a与x、y轴正方向的夹角，xc、yc为椭圆中心位置C(xc,yc)的横坐标和纵坐标；
其中xm的最大值xmax、最小值xmin和ym的最大值ymax、最小值ymin构成斜椭圆最小外接正矩形的四个边界值。
9.如权利要求8所述的一种面向路网数据的异常轨迹检测方法，其特征在于，步骤13利用最小外接正矩形的四个边界值获取与最小外接正矩形相交的网格集合GS中网格编码公式的l和k的取值范围，由此获取网格集合GS所覆盖的路网数据具体为，
获取网格集合GS中任意的网格单元C的网络编码C.code，其中，对于正整数l和k的取值范围分别有如下限制：
Figure FDA0003133193650000051
10.如权利要求9所述的一种面向路网数据的异常轨迹检测方法，其特征在于，步骤14在网格集合GS中确定真实最优路径
Figure FDA0003133193650000052
具体为：
步骤14.1、对于网格集合GS中任意顶点N(x,y)，若不满足xmin≤x≤xmax且ymin≤y≤ymax，则将该顶点过滤；
步骤14.2、对于剩余顶点N(x,y)，若|ON|+|DN|≤2a，即有：
Figure FDA0003133193650000053
则表示顶点N在斜椭圆限制区域RA内；
若|ON|+|DN|＞2a，即将该顶点过滤；
其中|DN|代表顶点N到终点D的欧式距离，|ON|代表源点O到顶点N的欧式距离；
步骤14.3、利用斜椭圆限制区域RA内的路网数据进行真实最优路径
Figure FDA0003133193650000054
的查找。
CN202110709940.8A 2021-06-25 2021-06-25 一种面向路网数据的异常轨迹检测方法 Active CN113487858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110709940.8A CN113487858B (zh) 2021-06-25 2021-06-25 一种面向路网数据的异常轨迹检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110709940.8A CN113487858B (zh) 2021-06-25 2021-06-25 一种面向路网数据的异常轨迹检测方法

Publications (2)

Publication Number Publication Date
CN113487858A true CN113487858A (zh) 2021-10-08
CN113487858B CN113487858B (zh) 2022-05-10

Family

ID=77936172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110709940.8A Active CN113487858B (zh) 2021-06-25 2021-06-25 一种面向路网数据的异常轨迹检测方法

Country Status (1)

Country Link
CN (1) CN113487858B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029736A (zh) * 2023-01-05 2023-04-28 浙江警察学院 一种网约车异常轨迹实时检测和安全预警方法、系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700646A (zh) * 2015-03-31 2015-06-10 南京大学 一种基于在线gps数据的出租车异常轨迹实时检测方法
CN108133611A (zh) * 2016-12-01 2018-06-08 中兴通讯股份有限公司 车辆行驶轨迹监测方法及系统
CN111027783A (zh) * 2019-12-27 2020-04-17 江苏欣网视讯软件技术有限公司 一种用于路径选取的全局动态交互决策算法
CN111368881A (zh) * 2020-02-19 2020-07-03 浙江工业大学 基于多维数据融合分析的低频gps轨迹路网匹配方法
CN111949896A (zh) * 2020-07-30 2020-11-17 安徽师范大学 基于轨迹大数据的轨迹异常检测方法
CN112399338A (zh) * 2020-11-19 2021-02-23 杭州云深科技有限公司 异常位置数据的确定方法、装置、计算机设备及存储介质
CN112399348A (zh) * 2019-08-15 2021-02-23 中移(苏州)软件技术有限公司 一种移动轨迹的确定方法及装置、存储介质
CN112748452A (zh) * 2020-12-11 2021-05-04 上海城市交通设计院有限公司 一种基于路网数据的gps轨迹清洗方法
CN112762941A (zh) * 2021-01-04 2021-05-07 金陵科技学院 一种基于移动行为特征的轨迹压缩方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700646A (zh) * 2015-03-31 2015-06-10 南京大学 一种基于在线gps数据的出租车异常轨迹实时检测方法
CN108133611A (zh) * 2016-12-01 2018-06-08 中兴通讯股份有限公司 车辆行驶轨迹监测方法及系统
CN112399348A (zh) * 2019-08-15 2021-02-23 中移(苏州)软件技术有限公司 一种移动轨迹的确定方法及装置、存储介质
CN111027783A (zh) * 2019-12-27 2020-04-17 江苏欣网视讯软件技术有限公司 一种用于路径选取的全局动态交互决策算法
CN111368881A (zh) * 2020-02-19 2020-07-03 浙江工业大学 基于多维数据融合分析的低频gps轨迹路网匹配方法
CN111949896A (zh) * 2020-07-30 2020-11-17 安徽师范大学 基于轨迹大数据的轨迹异常检测方法
CN112399338A (zh) * 2020-11-19 2021-02-23 杭州云深科技有限公司 异常位置数据的确定方法、装置、计算机设备及存储介质
CN112748452A (zh) * 2020-12-11 2021-05-04 上海城市交通设计院有限公司 一种基于路网数据的gps轨迹清洗方法
CN112762941A (zh) * 2021-01-04 2021-05-07 金陵科技学院 一种基于移动行为特征的轨迹压缩方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029736A (zh) * 2023-01-05 2023-04-28 浙江警察学院 一种网约车异常轨迹实时检测和安全预警方法、系统
CN116029736B (zh) * 2023-01-05 2023-09-29 浙江警察学院 一种网约车异常轨迹实时检测和安全预警方法、系统

Also Published As

Publication number Publication date
CN113487858B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN108549378B (zh) 一种基于栅格地图的混合路径规划方法和系统
Huang et al. Survey on vehicle map matching techniques
CN111291776B (zh) 基于众源轨迹数据的航道信息提取方法
CN112989223B (zh) 基于轨迹的修正与简化的电动自行车轨迹地图匹配方法
CN110285817B (zh) 基于自适应d-s证据理论的复杂路网地图匹配方法
CN111523714B (zh) 一种电力充电站选址布局方法及装置
CN113487858B (zh) 一种面向路网数据的异常轨迹检测方法
CN108765961A (zh) 一种基于改进型限幅平均滤波的浮动车数据处理方法
CN115265555B (zh) 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统
CN115586557A (zh) 一种基于路网数据的车辆行驶轨迹纠偏方法及装置
CN113932821A (zh) 基于连续窗口平均方向特征的轨迹地图匹配方法
Spiliopoulos et al. Knowledge extraction from maritime spatiotemporal data: An evaluation of clustering algorithms on Big Data
CN113959452A (zh) 基于城市路网的地图匹配方法、系统及终端
CN113295173A (zh) 环形路段的地图匹配方法
CN115438453B (zh) 一种利用观测数据构建路网设施拓扑结构的方法
CN116542709A (zh) 一种基于交通态势感知的电动汽车充电站规划分析方法
AU2021102429A4 (en) Method for selecting roads in a small-mesh accumulation area
Lü et al. A heuristic path-estimating algorithm for large-scale real-time traffic information calculating
CN112766385B (zh) 一种众源矢量线数据几何匹配与属性融合方法
CN115578860A (zh) 城市密集路网环境下车辆出行路径识别方法
CN114935773A (zh) 基于北斗定位的在线道路匹配方法、装置、介质和设备
CN113220806B (zh) 一种基于衍生平行线段的大规模路网方向判定方法及系统
CN110727749A (zh) 一种自适应候选路段搜索方法
CN114708731B (zh) 路网匹配方法、装置与系统
CN113393694B (zh) 一种公交骨干线路抓取方法

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