CN113762454A - 轨迹异常检测方法及装置 - Google Patents
轨迹异常检测方法及装置 Download PDFInfo
- Publication number
- CN113762454A CN113762454A CN202010752222.4A CN202010752222A CN113762454A CN 113762454 A CN113762454 A CN 113762454A CN 202010752222 A CN202010752222 A CN 202010752222A CN 113762454 A CN113762454 A CN 113762454A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- trajectory
- long
- term memory
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 239000013598 vector Substances 0.000 claims abstract description 72
- 230000015654 memory Effects 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 abstract description 12
- 230000006403 short-term memory Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请公开了一种轨迹异常检测方法及装置。方法的一具体实施方式包括:对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果。本申请利用长短期记忆模型学习表征轨迹数据的多个轨迹点之间的序列信息,准确地得到轨迹数据的轨迹向量,提高了轨迹异常检测的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及一种轨迹异常检测方法及装置。
背景技术
地勤人员的轨迹异常检测是指在排除环境干扰的情况下,当前的地勤人员的轨迹明显不同于以往或者偏离于预计轨迹的异常行为的检测。通过研究地勤人员的轨迹数据,可以对事件的发展进行一定的回溯,也可以作为考核地勤人员的一种指标。目前的轨迹异常检测方法一般包括:基于轨迹相似性的轨迹异常检测方法,基于分类的轨迹异常检测方法,基于距离或密度聚类的轨迹异常检测方法。
发明内容
本申请实施例提出了一种轨迹异常检测方法及装置。
第一方面,本申请实施例提供了一种轨迹异常检测方法,包括:对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果。
在一些实施例中,上述对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据,包括:将轨迹数据所表征的轨迹映射至地图上;对地图进行划分,得到多个预设尺寸的网格;基于多个预设尺寸的网格对轨迹数据进行离散化,得到多个轨迹点数据。
在一些实施例中,上述基于多个预设尺寸的网格对轨迹数据进行离散化,得到多个轨迹点数据,包括:对于多个预设尺寸的网格中的每个网格,将处于该网格中的部分轨迹上的预设点确定为该网格所对应的轨迹点,得到该网格对应的轨迹点数据;得到多个轨迹点数据。
在一些实施例中,在长短期记忆模型中的神经网络信号的纵向传播过程中,将选取的预设数量的神经网络信号失活,以防止长短期记忆模型针对轨迹数据的过拟合。
在一些实施例中,上述基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果,包括:将轨迹向量输入至预先训练的轨迹识别模型,得到轨迹数据所表征的轨迹的检测结果,其中,轨迹识别模型用于表征轨迹向量与检测结果的对应关系。
在一些实施例中,长短期记忆模型和轨迹识别模型通过如下方式训练得到:
获取训练样本集,其中,训练样本集中的训练样本包括所表征的轨迹的多个轨迹点数据和结果标签,结果标签用于表征轨迹是否异常;采用机器学习算法,将训练样本集合中的训练样本包括的多个轨迹点数据作为训练过程中的长短期记忆模型的输入数据,将训练样本包括的结果标签作为训练过程中的轨迹识别模型的期望输出数据,训练得到长短期记忆模型和轨迹识别模型,其中,训练过程中的长短期记忆模型的输出数据为训练过程中的轨迹识别模型的输入数据。
第二方面,本申请实施例提供了一种轨迹异常检测装置,包括:预处理单元,被配置成对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;向量确定单元,被配置成将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;结果确定单元,被配置成基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果。
在一些实施例中,预处理单元,进一步被配置成:将轨迹数据所表征的轨迹映射至地图上;对地图进行划分,得到多个预设尺寸的网格;基于多个预设尺寸的网格对轨迹数据进行离散化,得到多个轨迹点数据。
在一些实施例中,预处理单元,进一步被配置成:对于多个预设尺寸的网格中的每个网格,将处于该网格中的部分轨迹上的预设点确定为该网格所对应的轨迹点,得到该网格对应的轨迹点数据;得到多个轨迹点数据。
在一些实施例中,在长短期记忆模型中的神经网络信号的纵向传播过程中,将选取的预设数量的神经网络信号失活,以防止长短期记忆模型针对轨迹数据的过拟合。
在一些实施例中,结果确定单元,进一步被配置成:将轨迹向量输入至预先训练的轨迹识别模型,得到轨迹数据所表征的轨迹的检测结果,其中,轨迹识别模型用于表征轨迹向量与检测结果的对应关系。
在一些实施例中,长短期记忆模型和轨迹识别模型通过如下方式训练得到:获取训练样本集,其中,训练样本集中的训练样本包括所表征的轨迹的多个轨迹点数据和结果标签,结果标签用于表征轨迹是否异常;采用机器学习算法,将训练样本集合中的训练样本包括的多个轨迹点数据作为训练过程中的长短期记忆模型的输入数据,将训练样本包括的结果标签作为训练过程中的轨迹识别模型的期望输出数据,训练得到长短期记忆模型和轨迹识别模型,其中,训练过程中的长短期记忆模型的输出数据为训练过程中的轨迹识别模型的输入数据。
第三方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面任一实现方式描述的方法。
第四方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面任一实现方式描述的方法。
本申请实施例提供的轨迹异常检测方法及装置,通过对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果,从而利用长短期记忆模型学习表征轨迹数据的多个轨迹点之间的序列信息,准确地得到轨迹数据的轨迹向量,提高了轨迹异常检测的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的轨迹异常检测方法的一个实施例的流程图;
图3是根据本实施例的轨迹异常检测方法的应用场景的示意图;
图4是根据本申请的轨迹异常检测方法的又一个实施例的流程图;
图5是根据本申请的轨迹异常检测装置的一个实施例的结构图;
图6是适于用来实现本申请实施例的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的轨迹异常检测方法及装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时,其可以是支持网络连接,信息交互、显示、处理等功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如基于终端设备101、102、103发送的轨迹数据,确定轨迹数据表征的轨迹是否异常的后台处理服务器。后台处理服务器可以对获取的轨迹数据进行预处理,得到离散化的轨迹点数据,进而通过长短期记忆模型得到轨迹数据的轨迹向量,并基于轨迹向量,确定轨迹数据所表征的轨迹是否异常。可选的,后台处理服务器还可以将检测结果反馈给终端设备,以供终端设备显示。作为示例,服务器105可以是云端服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的轨迹异常检测方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。相应地,轨迹异常检测装置包括的各个部分(例如各个单元、子单元、模块、子模块)可以全部设置于服务器中,也可以全部设置于终端设备中,还可以分别设置于服务器和终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。当轨迹异常检测方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括轨迹异常检测方法运行于其上的电子设备(例如服务器或终端设备)。
继续参考图2,示出了轨迹异常检测方法的一个实施例的流程200,包括以下步骤:
步骤201,对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据。
本实施例中,轨迹异常检测方法的执行主体(例如图1中的终端设备或服务器)可以通过有线连接方式或者无线连接方式从远程,或从本地获取轨迹数据,并对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据。
其中,轨迹数据可以是预先存储的轨迹数据,也可以是实时获取的数据。作为示例,携带终端设备的预设人员在移动过程中,上述执行主体实时获取终端设备的定位信息,以得到表征预设人员的移动轨迹的轨迹数据。
轨迹数据中一般包括数量众多的轨迹点数据,通过对轨迹点数据进行离散化,可以减少轨迹点数据的数量,以减小后续步骤中的长短期记忆模型的运算量。
作为示例,上述执行主体可以基于预设间距阈值、预设时间长度,在轨迹数据中选取间距为预设间距阈值的轨迹点或者时间间隔为预设时间长度的轨迹点,以得到较少数量的轨迹点数据。
在本实施例的一些可选的实现方式中,上述执行主体可以通过如下方式执行上述步骤201:
首先,将轨迹数据所表征的轨迹映射至地图上。
其中,地图是由一系列的节点和路段组成的网状结构,其中,节点是由经纬度组成的二维坐标。在轨迹数据的采集过程中,受到终端设备GPS(Global Positioning System,全球定位系统)测量误差和外界环境等因素的影响,上述轨迹数据与地图通常不匹配,需要根据地图信息,完成轨迹数据向地图的映射。作为示例,上述执行主体可以采用基于隐马尔科夫模型的时空轨迹匹配算法完成轨迹数据向地图的映射。
其次,对地图进行划分,得到多个预设尺寸的网格。
预设尺寸可以根据实际情况具体设置,在此不做限定。网格可以看作划分后的地图的一个组成单元,众多的网格可以拼接成地图。
最后,基于多个网格对轨迹数据进行离散化,得到多个轨迹点数据。
作为示例,对于含有轨迹数据中的部分轨迹数据的网格,上述执行主体将该网格的中心点确定为轨迹点,以得到轨迹点数据。
在一些可选的实现方式中,对于多个网格中的每个网格,上述执行主体将处于该网格中的部分轨迹上的预设点确定为该网格所对应的轨迹点,得到该网格对应的轨迹点数据;得到多个轨迹点数据。其中,预设点可以是处于该网格中的部分轨迹上的任意点,包括但不限于起点、中点、终点。
需要说明的是,较少数量的轨迹点在降低后续步骤中的长短期记忆模型的运算量的同时,也会影响长短期记忆模型获得的轨迹向量的准确性,因此,需要防止轨迹点数量过度减少以而造成轨迹向量的准确性不足。
步骤202,将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量。
本实施例中,上述执行主体可以将步骤201得到多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量。
通过长短期记忆模型,学习多个轨迹点数据所表征的轨迹的表示过程中,可以把轨迹数据中的每个轨迹点数据看作自然语言处理中的一个词,把表征轨迹多个轨迹点数据看作一个句子,从而可以学习每个轨迹点数据的向量表示,以及整条轨迹的向量表示。为了整合轨迹点之间的序列信息,通过长短期记忆模型来捕获轨迹点数据之间的关联特征,学习轨迹在欧式空间中的向量表示,得到轨迹向量。
具体的,将多个轨迹点数据按照时间顺序输入到长短期记忆模型,在每一个时间步上,长短期记忆模型可以通过神经网络细胞记录截止到当前输入的轨迹点数据所表征的轨迹的信息。其中,信息融合了历史轨迹中的信息和当前输入的轨迹点的信息。然后,将神经单元的输出结果送到下一个时刻。与此同时,在不同的网络层之间,可以通过非线性变换学习轨迹数据所表征的轨迹在高维空间中的表示,抽取轨迹的特征。当所有的轨迹点数据输入到长短期记忆模型,把最后的时间步的输出信息与历史轨迹中的信息拼接在一起作为轨迹的向量表示。
长短期记忆模型通过学习轨迹的表示,将难以处理的轨迹数据映射到统一的欧式空间中,从而能够在欧式空间中方便地计算轨迹之间的距离,实现轨迹的异常检测。
在本实施例的一些可选的实现方式中,在长短期记忆模型中的神经网络信号的纵向传播过程中,上述执行主体将选取的预设数量的神经网络信号失活,以防止长短期记忆模型针对轨迹数据的过拟合。其中,预设数量可以根据实际情况具体设置,在此不做限定。
步骤203,基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果。
本实施例中,上述执行主体基于步骤202得到的轨迹向量,确定轨迹数据所表征的轨迹的检测结果。
作为示例,上述执行主体可以通过密度聚类的方法确定轨迹数据所表征的轨迹的检测结果。具体的,上述执行主体根据轨迹向量中子轨迹段在欧式空间中的距离进行聚类,把聚类类别中轨迹数量较少的子轨迹段定义为异常子轨迹段;然后,根据一条轨迹中异常子轨迹段的占比,确定该轨迹的检测结果。响应于确定占比大于预设占比阈值,确定轨迹存在异常;反之,确定轨迹异常。
继续参见图3,图3是根据本实施例的轨迹异常检测方法的应用场景的一个示意图。在图3的应用场景中,地勤人员301在火车站中进行安全巡视。地勤人员301携带的终端设备302实时向服务器303发送地勤人员301的定位信息,以使得服务器303获取地勤人员301的轨迹数据。服务器303获取轨迹数据后,首先对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;然后,将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;最后,基于轨迹向量,确定轨迹数据所表征的地勤人员301的轨迹正常。
本公开的上述实施例提供的方法,通过对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果,从而利用长短期记忆模型学习表征轨迹数据的多个轨迹点之间的序列信息,准确地得到轨迹数据的轨迹向量,提高了轨迹异常检测的准确性。
继续参考图4,示出了根据本申请的轨迹异常检测方法的另一个实施例的示意性流程400,包括以下步骤:
步骤401,对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据。
本实施例中,步骤401与图2对应实施例中的步骤201基本一致,这里不再赘述。
步骤402,将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量。
本实施例中,步骤402与图2对应实施例中的步骤202基本一致,这里不再赘述。
步骤403,将轨迹向量输入至预先训练的轨迹识别模型,得到轨迹数据所表征的轨迹的检测结果。
本实施例中,轨迹异常检测方法的执行主体可以通过预先训练的轨迹识别模型,确定轨迹数据所表征的轨迹的检测结果。
其中,轨迹识别模型可以采用前馈神经网络、反馈神经网络、自组织神经网络、随机神经网络。作为示例,轨迹识别模型可以是基于多层前馈神经网络训练得到的分类器模型。
步骤402中的长短期记忆模型和本步骤中的轨迹识别模型可以组成一个整体检测模型,通过整体检测模型,根据轨迹数据中的多个轨迹点数据,直接得到轨迹数据所表征的轨迹的检测结果。
其中的长短期记忆模型和轨迹识别模型通过如下方式训练得到:
首先,获取训练样本集,其中,训练样本集中的训练样本包括所表征的轨迹的多个轨迹点数据和结果标签,结果标签用于表征轨迹是否异常;然后,采用机器学习算法,将训练样本集合中的训练样本包括的多个轨迹点数据作为训练过程中的长短期记忆模型的输入数据,将训练样本包括的结果标签作为训练过程中的轨迹识别模型的期望输出数据,训练得到长短期记忆模型和轨迹识别模型,其中,训练过程中的长短期记忆模型的输出数据为训练过程中的轨迹识别模型的输入数据。
从本实施例中可以看出,与图2对应的实施例相比,本实施例中的轨迹异常检测方法的流程400具体说明了通过预先训练的轨迹识别模型,得到轨迹数据所表征的轨迹的检测结果。如此,本实施例中采用的长短期记忆模型和轨迹识别模型可以组成一个整体检测模型,从而不会因为基于不同方法分阶段地进行轨迹向量表示和结果检测,而引入误差或噪声,提高了检测的准确性;并且,轨迹识别模型具备较强的表示能力,能够捕获到正常轨迹和异常轨迹之间的差异,能够与长短期记忆模型一起训练,实现起来较为简单。
继续参考图5,作为对上述各图所示方法的实现,本公开提供了一种轨迹异常检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,轨迹异常检测装置包括:预处理单元501,被配置成对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;向量确定单元502,被配置成将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;结果确定单元503,被配置成基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果。
在一些实施例中,预处理单元501,进一步被配置成:将轨迹数据所表征的轨迹映射至地图上;对地图进行划分,得到预设尺寸的多个网格;基于多个网格对轨迹数据进行离散化,得到多个轨迹点数据。
在一些实施例中,预处理单元501,进一步被配置成:对于多个网格中的每个网格,将处于该网格中的部分轨迹上的预设点确定为该网格所对应的轨迹点,得到该网格对应的轨迹点数据;得到多个轨迹点数据。
在一些实施例中,在长短期记忆模型中的神经网络信号的纵向传播过程中,将选取的预设数量的神经网络信号失活,以防止长短期记忆模型针对轨迹数据的过拟合。
在一些实施例中,结果确定单元503,进一步被配置成:将轨迹向量输入至预先训练的轨迹识别模型,得到轨迹数据所表征的轨迹的检测结果,其中,轨迹识别模型用于表征轨迹向量与检测结果的对应关系。
在一些实施例中,长短期记忆模型和轨迹识别模型通过如下方式训练得到:获取训练样本集,其中,训练样本集中的训练样本包括所表征的轨迹的多个轨迹点数据和结果标签,结果标签用于表征轨迹是否异常;采用机器学习算法,将训练样本集合中的训练样本包括的多个轨迹点数据作为训练过程中的长短期记忆模型的输入数据,将训练样本包括的结果标签作为训练过程中的轨迹识别模型的期望输出数据,训练得到长短期记忆模型和轨迹识别模型,其中,训练过程中的长短期记忆模型的输出数据为训练过程中的轨迹识别模型的输入数据。
本实施例中,轨迹异常检测装置中的预处理单元对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;向量确定单元将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;结果确定单元基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果,从而利用长短期记忆模型学习表征轨迹数据的多个轨迹点之间的序列信息,准确地得到轨迹数据的轨迹向量,提高了轨迹异常检测的准确性。
下面参考图6,其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机系统600的结构示意图。图6示出的设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括处理器(例如CPU,中央处理器)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。处理器601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到客户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括预处理单元、向量确定单元和结果确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,结果确定单元还可以被描述为“基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该计算机设备:对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;将多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征轨迹数据的轨迹向量,其中,长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;基于轨迹向量,确定轨迹数据所表征的轨迹的检测结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种轨迹异常检测方法,包括:
对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;
将所述多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征所述轨迹数据的轨迹向量,其中,所述长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;
基于所述轨迹向量,确定所述轨迹数据所表征的轨迹的检测结果。
2.根据权利要求1所述的方法,其中,所述对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据,包括:
将所述轨迹数据所表征的轨迹映射至地图上;
对所述地图进行划分,得到多个预设尺寸的网格;
基于所述多个预设尺寸的网格对所述轨迹数据进行离散化,得到所述多个轨迹点数据。
3.根据权利要求2所述的方法,其中,所述基于所述多个预设尺寸的网格对所述轨迹数据进行离散化,得到所述多个轨迹点数据,包括:
对于所述多个预设尺寸的网格中的每个网格,将处于该网格中的部分轨迹上的预设点确定为该网格所对应的轨迹点,得到该网格对应的轨迹点数据;
得到所述多个轨迹点数据。
4.根据权利要求1所述的方法,其中,在所述长短期记忆模型中的神经网络信号的纵向传播过程中,将选取的预设数量的神经网络信号失活,以防止所述长短期记忆模型针对所述轨迹数据的过拟合。
5.根据权利要求1所述的方法,其中,所述基于所述轨迹向量,确定所述轨迹数据所表征的轨迹的检测结果,包括:
将所述轨迹向量输入至预先训练的轨迹识别模型,得到所述轨迹数据所表征的轨迹的检测结果,其中,所述轨迹识别模型用于表征轨迹向量与检测结果的对应关系。
6.根据权利要求5所述的方法,其中,所述长短期记忆模型和所述轨迹识别模型通过如下方式训练得到:
获取训练样本集,其中,所述训练样本集中的训练样本包括所表征的轨迹的多个轨迹点数据和结果标签,结果标签用于表征轨迹是否异常;
采用机器学习算法,将所述训练样本集合中的训练样本包括的多个轨迹点数据作为训练过程中的长短期记忆模型的输入数据,将训练样本包括的结果标签作为训练过程中的轨迹识别模型的期望输出数据,训练得到所述长短期记忆模型和所述轨迹识别模型,其中,训练过程中的长短期记忆模型的输出数据为训练过程中的轨迹识别模型的输入数据。
7.一种轨迹异常检测装置,包括:
预处理单元,被配置成对获取的轨迹数据进行预处理,得到离散后的多个轨迹点数据;
向量确定单元,被配置成将所述多个轨迹点数据输入至预先训练的长短期记忆模型,得到表征所述轨迹数据的轨迹向量,其中,所述长短期记忆模型表征轨迹点数据与轨迹向量的对应关系;
结果确定单元,被配置成基于所述轨迹向量,确定所述轨迹数据所表征的轨迹的检测结果。
8.根据权利要求7所述的装置,其中,所述预处理单元,进一步被配置成:
将所述轨迹数据所表征的轨迹映射至地图上;对所述地图进行划分,得到多个预设尺寸的网格;基于所述多个预设尺寸的网格对所述轨迹数据进行离散化,得到所述多个轨迹点数据。
9.根据权利要求8所述的装置,其中,所述预处理单元,进一步被配置成:
对于所述多个预设尺寸的网格中的每个网格,将处于该网格中的部分轨迹上的预设点确定为该网格所对应的轨迹点,得到该网格对应的轨迹点数据;得到所述多个轨迹点数据。
10.根据权利要求7所述的装置,其中,在所述长短期记忆模型中的神经网络信号的纵向传播过程中,将选取的预设数量的神经网络信号失活,以防止所述长短期记忆模型针对所述轨迹数据的过拟合。
11.根据权利要求7所述的装置,其中,所述结果确定单元,进一步被配置成:
将所述轨迹向量输入至预先训练的轨迹识别模型,得到所述轨迹数据所表征的轨迹的检测结果,其中,所述轨迹识别模型用于表征轨迹向量与检测结果的对应关系。
12.根据权利要求11所述的装置,其中,所述长短期记忆模型和所述轨迹识别模型通过如下方式训练得到:
获取训练样本集,其中,所述训练样本集中的训练样本包括所表征的轨迹的多个轨迹点数据和结果标签,结果标签用于表征轨迹是否异常;
采用机器学习算法,将所述训练样本集合中的训练样本包括的多个轨迹点数据作为训练过程中的长短期记忆模型的输入数据,将训练样本包括的结果标签作为训练过程中的轨迹识别模型的期望输出数据,训练得到所述长短期记忆模型和所述轨迹识别模型,其中,训练过程中的长短期记忆模型的输出数据为训练过程中的轨迹识别模型的输入数据。
13.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
14.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010752222.4A CN113762454A (zh) | 2020-07-30 | 2020-07-30 | 轨迹异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010752222.4A CN113762454A (zh) | 2020-07-30 | 2020-07-30 | 轨迹异常检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762454A true CN113762454A (zh) | 2021-12-07 |
Family
ID=78785523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010752222.4A Pending CN113762454A (zh) | 2020-07-30 | 2020-07-30 | 轨迹异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762454A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016834A (zh) * | 2020-08-28 | 2020-12-01 | 中国平安财产保险股份有限公司 | 异常驾驶行为检测方法、装置、设备及存储介质 |
CN114218992A (zh) * | 2021-12-29 | 2022-03-22 | 重庆紫光华山智安科技有限公司 | 异常对象的检测方法及相关装置 |
CN114418093A (zh) * | 2022-01-19 | 2022-04-29 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100207762A1 (en) * | 2009-02-19 | 2010-08-19 | Panasonic Corporation | System and method for predicting abnormal behavior |
CN109241138A (zh) * | 2018-08-30 | 2019-01-18 | 跨越速运集团有限公司 | 一种移动轨迹构建方法及装置 |
US20190294869A1 (en) * | 2018-03-26 | 2019-09-26 | Nvidia Corporation | Object behavior anomaly detection using neural networks |
CN110738852A (zh) * | 2019-10-23 | 2020-01-31 | 浙江大学 | 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法 |
CN110866477A (zh) * | 2019-11-06 | 2020-03-06 | 中国人民解放军战略支援部队信息工程大学 | 一种轨迹运动模式识别方法及装置 |
KR20200048098A (ko) * | 2018-10-29 | 2020-05-08 | 서울과학기술대학교 산학협력단 | 영상 내의 이상 행동 객체를 추적하는 장치 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN111401531A (zh) * | 2020-04-24 | 2020-07-10 | 中国人民解放军国防科技大学 | 轨迹预测方法和系统 |
-
2020
- 2020-07-30 CN CN202010752222.4A patent/CN113762454A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100207762A1 (en) * | 2009-02-19 | 2010-08-19 | Panasonic Corporation | System and method for predicting abnormal behavior |
US20190294869A1 (en) * | 2018-03-26 | 2019-09-26 | Nvidia Corporation | Object behavior anomaly detection using neural networks |
CN109241138A (zh) * | 2018-08-30 | 2019-01-18 | 跨越速运集团有限公司 | 一种移动轨迹构建方法及装置 |
KR20200048098A (ko) * | 2018-10-29 | 2020-05-08 | 서울과학기술대학교 산학협력단 | 영상 내의 이상 행동 객체를 추적하는 장치 |
CN110738852A (zh) * | 2019-10-23 | 2020-01-31 | 浙江大学 | 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法 |
CN110866477A (zh) * | 2019-11-06 | 2020-03-06 | 中国人民解放军战略支援部队信息工程大学 | 一种轨迹运动模式识别方法及装置 |
CN111310583A (zh) * | 2020-01-19 | 2020-06-19 | 中国科学院重庆绿色智能技术研究院 | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 |
CN111401531A (zh) * | 2020-04-24 | 2020-07-10 | 中国人民解放军国防科技大学 | 轨迹预测方法和系统 |
Non-Patent Citations (4)
Title |
---|
权波;杨博辰;胡可奇;郭晨萱;李巧勤;: "基于LSTM的船舶航迹预测模型", 计算机科学, no. 2, 15 November 2018 (2018-11-15), pages 136 - 141 * |
李勇 等: "《复杂情感分析方法及其应用》", 30 April 2020, 冶金工业出版社, pages: 53 - 56 * |
杨星鑫;吕泽均;: "基于LSTM的无人机轨迹识别技术研究", 现代计算机, no. 05, 15 February 2020 (2020-02-15), pages 19 - 23 * |
韩昭蓉 等: "基于Bi-LSTM模型的轨迹异常点检测算法", 雷达学报, 28 February 2019 (2019-02-28), pages 36 - 43 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016834A (zh) * | 2020-08-28 | 2020-12-01 | 中国平安财产保险股份有限公司 | 异常驾驶行为检测方法、装置、设备及存储介质 |
CN112016834B (zh) * | 2020-08-28 | 2024-05-07 | 中国平安财产保险股份有限公司 | 异常驾驶行为检测方法、装置、设备及存储介质 |
CN114218992A (zh) * | 2021-12-29 | 2022-03-22 | 重庆紫光华山智安科技有限公司 | 异常对象的检测方法及相关装置 |
CN114218992B (zh) * | 2021-12-29 | 2023-09-08 | 重庆紫光华山智安科技有限公司 | 异常对象的检测方法及相关装置 |
CN114418093A (zh) * | 2022-01-19 | 2022-04-29 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
CN114418093B (zh) * | 2022-01-19 | 2023-08-25 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171260B (zh) | 一种图片识别方法及系统 | |
CN110288049B (zh) | 用于生成图像识别模型的方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN113762454A (zh) | 轨迹异常检测方法及装置 | |
CN111767366B (zh) | 问答资源挖掘方法、装置、计算机设备及存储介质 | |
EP3637310A1 (en) | Method and apparatus for generating vehicle damage information | |
CN111259112B (zh) | 医疗事实的验证方法和装置 | |
US11741398B2 (en) | Multi-layered machine learning system to support ensemble learning | |
EP3859560A2 (en) | Method and apparatus for visual question answering, computer device and medium | |
CN108509921B (zh) | 用于生成信息的方法和装置 | |
CN111222981A (zh) | 可信度确定方法、装置、设备和存储介质 | |
CN114298050A (zh) | 模型的训练方法、实体关系抽取方法、装置、介质、设备 | |
CN112966701A (zh) | 目标分类的方法和装置 | |
CN111340015B (zh) | 定位方法和装置 | |
US10733537B2 (en) | Ensemble based labeling | |
CN116468970A (zh) | 模型训练方法、图像处理方法、装置、设备及介质 | |
CN114359781B (zh) | 一种云边协同自主学习的智能识别系统 | |
CN113255819A (zh) | 用于识别信息的方法和装置 | |
CN113822313A (zh) | 图节点异常检测方法及装置 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
CN111723188A (zh) | 用于问答系统的基于人工智能的语句显示方法、电子设备 | |
CN111310858A (zh) | 用于生成信息的方法和装置 | |
CN112418405B (zh) | 模型压缩方法和装置 | |
CN117315516B (zh) | 基于多尺度注意力相似化蒸馏的无人机检测方法及装置 | |
US20230376849A1 (en) | Estimating optimal training data set sizes for machine learning model systems and applications |
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 |