CN116029736B - 一种网约车异常轨迹实时检测和安全预警方法、系统 - Google Patents

Abstract

本发明公布了一种网约车异常轨迹实时检测和安全预警方法、系统。本发明首先对路网进行网格化处理，根据高德地图API和历史数据，获取网格化的常规路径集；其次，从异常轨迹具体情况、环境实时风险角度出发，对地图API数据、轨迹数据等进行深入挖掘，判断实时轨迹是否异常并计算其异常分数；最后，依据异常分数进行轨迹监测和安全预警。多源数据融合和挖掘能够提高轨迹异常分数计算结果的合理性，继而提高安全预警的科学性和准确性，减少预警系统的漏判、错判情况；同时，网格化的处理，能够提高计算效率、降低计算成本和预警滞后性。

Description

一种网约车异常轨迹实时检测和安全预警方法、系统

技术领域

本发明涉及一种网约车异常轨迹实时检测和安全预警方法、系统，用于网约车乘客安全预警，属于智能交通和安全预警领域。

背景技术

作为大众的主要出行方式之一，截至2022年6月，网约车用户已高达4亿人。虽然政府一直致力于完善相关法律法规和监管体系，来提高乘客安全性，但是网约车乘客遇害案件时有发生。网约车乘客遇害案件往往伴随着异常行驶轨迹，完善相关的实时检测技术，实现实时预警，可以减低乘客安全风险。

现有的异常轨迹检测技术更多地聚焦在异常轨迹和普通轨迹的区别和分析，忽略了基于乘客安全的异常轨迹特点和基于实时环境的异常分数校正。例如，交通事故导致的绕行等，属于异常轨迹中的合理异常轨迹；在交通拥堵路段长时间停车属于合理情况，在偏远山路长时间停车，属于非合理情况。常规的异常轨迹检测技术导致安全预警系统容易出现漏判、错判的情况。因此，考虑异常轨迹的具体特点和实时环境对轨迹异常分数的校正，提高网约车轨迹异常分数计算结果的合理性和科学性，继而实现网约车异常轨迹实时检测和安全预警技术有着重要意义。

发明内容

本发明的目的在于提供一种网约车异常轨迹实时检测和安全预警方法、系统，本发明的基本思想是融合车辆轨迹数据和地理环境数据，检测异常轨，计算异常轨迹的异常分并进行安全预警。

本发明的一方面提供了一种网约车异常轨迹实时检测和安全预警方法，包括如下步骤：

c1、路网网格化处理：将矩形检测区域内的道路网进行网格化处理；

c2、常规路径集获取：获取地图API的最优路径和车辆历史轨迹中的正常路径，将其作为常规路径，用以异常轨迹检测；

c3、异常轨迹的异常分数计算：依据常规轨迹集，判断车辆实时轨迹是否异常，并计算其异常分数；

c4、基于异常轨迹的安全预警：根据轨迹的异常分数进行预警。

可选地，步骤c1中检测区域由N_y×N_x个网格构成，用N_y×N_x矩阵M表示，过程包括：

c11、根据区域边界点集B＝{B_bl,B_br,B_tl,B_tr}和最小像元大小d_min，确定矩阵维度N_x、N_y，

式中，B_bl、B_br、B_tl、B_tr分别表示检测区域左下边界点、左上边界点、右下边界点和右上边界点；对应经纬度坐标分别表示为(x_bl,y_bl)、(x_br,y_br)、(x_tl,y_tl)、(x_tr,y_tr)；L_y表示矩形检测区域的南北向长度，L_x表示矩形检测区域的东西向长度；R为地球半径。

c12、计算每个网格中心点M_i,j的经纬度坐标(x_i,j,y_i,j)，继而构造矩阵M，具体如下，

式中，M_i,j是指第i行第j列个网格的中心点,Δx表示单个网格的经度差，Δy表示单个网格的纬度差。

可选地，步骤c2过程包括：

c21、利用高德地图API获取某一OD内的最优路径，包括不同日期下各个时段内的距离最短路径、时间最短路径、收费最小路径、红绿灯最少路径、躲避拥堵路径等，去除重复路径，得到最优路线集p代表最优路径的总数，OP₁、OP₂、分别表示OP中的第1、2和N₁个最优路径。

c22、根据出租车和网约车的历史轨迹数据，确定同一OD内的历史轨迹集，采用聚类方法，得到正常轨迹集

c23、将最优路线集OP与正常轨迹集NT，进行去重处理，得到常规轨迹集P,

P＝OP∩NT＝{P₁,P₂,…,P_p}。

c24、将常规轨迹集中的轨迹进行网格化处理，将由坐标点组成的有序集转化为由经过的网格编号组成的有序集。

可选地，步骤c3过程包括：

c31、根据网格化实时轨迹T＝{g₁,g₂,…,g_t}与常规轨迹集判断网格化实时轨迹T是否偏航，具体如下，

FP(T_i,PG)＝{PG_j|T_i∈PG_j,0<j<N₂,1<i<nt}

式中，T_i是T的第i个子片段，nt是子片段个数；δ指网格化实时轨迹T的偏航判别指标，δ_i是T_i的偏航判别指标；FP(T_i,PG)是T_i的遵循轨迹数，即常规轨迹集PG中完全包含T_i的轨迹个数；T_i∈PG_j是指PG_j完全包含T_i。

c32、对T进行切分。

c33、当网格化实时轨迹T发生偏航时，计算轨迹异常分数。

可选的步骤c4过程如下：

c41、如果AS_T>|T|，则对轨迹T进行三级监测；

c42、如果AS_T>Q₁＝min(max(|PG_i|),1.5|T|)，则对轨迹T进行二级监测；

c43、如果AS_T>Q₂＝max(max(|PG_i|),1.5|T|)，则对轨迹T进行安全预警。

本发明的另一方面提供了一种网约车异常轨迹实时检测和安全预警系统，包括：

路网网格化处理模块，用于将矩形检测区域内的道路网进行网格化处理；

常规路径集获取模块，用于获取地图API的最优路径和车辆历史轨迹中的正常路径，将其作为常规路径，用以异常轨迹检测；

异常轨迹的异常分数计算模块，用于依据常规轨迹集，判断车辆实时轨迹是否异常，并计算其异常分数；

基于异常轨迹的安全预警模块，用于根据轨迹的异常分数进行预警。

本发明的再一方面提供了一种网约车异常轨迹实时检测和安全预警装置，所述装置包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述方法。

本发明的有益效果：本发明基于轨迹时空聚类算法、核密度分析，从异常轨迹具体情况、环境实时风险角度出发，对地图API数据、轨迹数据等进行深入挖掘，实现对轨迹的实时检测和安全预警，能够提高安全预警的科学合理性；同时，网格化的处理，能够提高计算效率、降低计算成本和预警滞后性。

附图说明

图1为本申请一个实施例提供的基于异常轨迹检测及安全预警流程图；

图2为本申请一个实施例提供的网格化处理示意图；

图3为本申请一个实施例提供的网格化常规轨迹集示意图；

图4为本申请一个实施例提供的网格化常规轨迹集和实时轨迹示意图；

图5为本申请一个实施例提供的异常轨迹及切分示意图。

图6为本申请一个实施例提供的一种网约车异常轨迹实时检测和安全预警系统结构示意图。

图7为本申请一个实施例提供的一种网约车异常轨迹实时检测和安全预警装置结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

图1为本申请一个实施例提供的基于异常轨迹检测及安全预警流程图，包括如下步骤：

步骤一，将矩形检测区域内的道路网进行网格化处理，检测区域由N_y×N_x个网格构成，如图2所示。

首先根据区域边界点集B＝{B_bl,B_br,B_tl,B_tr}和最小像元大小d_min，确定矩阵维度N_x、N_y，

式中，B_bl、B_br、B_tl、B_tr分别表示检测区域左下边界点、左上边界点、右下边界点和右上边界点；对应经纬度坐标分别表示为(x_bl,y_bl)、(x_br,y_br)、(x_tl,y_tl)、(x_tr,y_tr)；L_y表示矩形检测区域的南北向长度，L_x表示矩形检测区域的东西向长度；d_min一般取值10m，可视化效果最佳；R为地球半径，取值为6371000m。

其次，计算每个网格中心点M_i,j的经纬度坐标(x_i,j,y_i,j)，继而构造矩阵M，具体如下，

式中，M_i,j是指第i行第j列个网格的中心点,Δx表示单个网格的经度差，Δy表示单个网格的纬度差。

步骤二，获取地图API的最优路径和车辆历史轨迹中的正常路径，将其作为常规路径，得到常规路径集P。

首先，利用高德地图API获取某一OD内的最优路径，包括不同日期下各个时段内的距离最短路径、时间最短路径、收费最小路径、红绿灯最少路径、躲避拥堵路径等。去除重复路径，得到最优路线集p代表最优路径的总数，OP₁、OP₂、分别表示OP中的第1、2和N₁个最优路径。

其次，根据出租车和网约车的历史轨迹数据，确定同一OD内的历史轨迹集，采用聚类方法，得到正常轨迹集

(1)计算任意历史轨迹R转化为任意历史轨迹S的编辑距离ED(R,S)，编辑距离ED的计算公式如下，

CD(de(r_i))＝|r_i-s_j|

CD(in(s_j))＝|s_j-s_j-1|

式中，R和S是指两个任意历史轨迹，分别表示为R＝{r₁,r₂,…,r_m,}，S＝{s₁,s₂,…,s_n,}；re(R)和re(S)是指剔除当前点后的剩余轨迹，分别表示为re(R)＝{r₁,r₁,…,r_m-1,}，re(S)＝{s₁,s₁,…,s_n-1,}；CD(de(r_m))和CD(de(r_i))分别是指删除r_m和r_i操作的代价值；CD(in(s_n))和CD(in(s_j))分别是指插入s_n和s_j操作的代价值；r_m和r_i分别是指轨迹R中的第m个和第i个点，对应的坐标为(x_m,y_m)和(x_i,y_i)；s_n和s_j分别是指轨迹S中的第n个和第j个点，对应的坐标为(x_n,y_n)和(x_j,y_j)；CD(rp(r_m,s_n))是指将r_i和s_j进行替换操作的代价值。

(2)将编辑距离ED作为相似度指标，利用层次聚类方法，得到历史轨迹的聚类结果C＝{C₁,C₂,…,C_c}，将样本个数大于N_min的簇作为正常轨迹簇，具体如下，

C_NT＝{C_i|N(C_i)>N_min}

N_min＝5％×N_w/c

式中，C₁和C_i分别表示聚类结果中的第一个簇，c表示簇的总数，C_NT表示正常轨迹簇，N(C_i)表示第i个簇内样本轨迹的个数，N_min表示异常轨迹簇的判别阈值，N_w表示同一OD内历史轨迹的总数。

(3)将C_NT内所有类别的轨迹，进行去重，得到正常轨迹集

然后，将最优路线集OP与正常轨迹集NT，进行去重处理，得到常规轨迹集P：

P＝OP∩NT＝{P₁,P₂,…,P_p}。

其次，将常规轨迹集中的轨迹进行网格化处理，将由坐标点组成的有序集转化为由经过的网格编号组成的有序集，过程包括：

(1)计算任意常规轨迹P_i＝{pt₁,pt₂,…,pt_Z}中任意点pt_z与任意网格中心点M_i,j的距离，根据距离判断坐标点pt_z所属网格，具体如下：

pt_z∈G,G＝(i,j),if|pt_z-M_i,j|<0.5d_min

式中，Z是指任意正常轨迹P_i的长度，即点的个数；G用(i,j)表示(i,j)，是指网格化地图中第i行第j个网格；|pt_z-M_i,j|是指任意点pt_z与任意网格中心点M_i,j的距离。

(2)根据(1)中的判别结果，得到任意常规轨迹P_i的网格化有序集PG_i＝{G₁,G₂,…,G_Z}，继而得到网格化常规轨迹集 如图3。

步骤三，指依据常规轨迹集，判断车辆实时轨迹是否异常，并计算其异常分数。

首先，如图4，根据网格化实时轨迹T＝{g₁,g₂,…,g_t}与常规轨迹集判断网格化实时轨迹T是否偏航，具体如下，

FP(T_i,PG)＝{P_j|T_i∈PG_j,0<j<N₂,1<i<nt}

式中，T_i是T的第i个子片段，nt是子片段个数；δ指网格化实时轨迹T的偏航判别指标，δ_i是T_i的偏航判别指标；FP(T_i,PG)是T_i的遵循轨迹数，即常规轨迹集PG中完全包含T_i的轨迹个数；T_i∈PG_j是指PG_j完全包含T_i。

其次，如图5所示，对T进行切分，步骤如下，

Step1.初始化：T＝{g₁,g₂,…,g_t}，i＝1；

Step2.判断PG_j是否完全包含T_i，

式中，是指T_i中第e个点在PG_j中对应的位置。

Step3.根据δ_i，判断是否划分T，δ_i＝1则切分1次；

式中，是第i个子片段T_i的有序集，t_i是第i个子片段T_i的结束点。

然后，当网格化实时轨迹T发生偏航时，计算轨迹异常分数。

(1)根据环境风险指标、异常停车指标、正常偏离指标来计算轨迹异常分数，

式中，AS_T是轨迹T的异常分数，λ_i是子片段T_i的异常系数，代表网格/>处的环境风险，/>代表区域环境风险的均值，St_i代表子片段T_i的异常停车长度，即相邻网格相同的点的个数。

(2)环境风险指标的计算方法是对提取的POI数据进行核密度计算，得到各个网格中心点的核密度值，具体如下，

式中，表示任意POI点与网格点/>的距离，N_P是兴趣点的个数。

步骤四，根据轨迹的异常分数进行预警，具体为：

Step1.如果AS_T>|T|，则对轨迹T进行三级监测；

Step2.如果AS_T>Q₁＝min(max(|PG_i|),1.5|T|)，则对轨迹T进行二级监测；

Step3.如果AS_T>Q₂＝max(max(|PG_i|),1.5|T|)，则对轨迹T进行安全预警。

本申请还公开了一种网约车异常轨迹实时检测和安全预警系统，如图6所示，该系统包括：

路网网格化处理模块，用于将矩形检测区域内的道路网进行网格化处理；

常规路径集获取模块，用于获取地图API的最优路径和车辆历史轨迹中的正常路径，将其作为常规路径，用以异常轨迹检测；

异常轨迹的异常分数计算模块，用于依据常规轨迹集，判断车辆实时轨迹是否异常，并计算其异常分数；

基于异常轨迹的安全预警模块，用于根据轨迹的异常分数进行预警。

本申请装置执行的过程与上述方法一致，在此不再赘述。

图7为本申请一个实施例提供的一种网约车异常轨迹实时检测和安全预警装置结构示意图，如图7所示，该装置包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上所述方法。

在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成网约车异常轨迹实时检测和安全预警装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

路网网格化处理：将矩形检测区域内的道路网进行网格化处理；常规路径集获取：获取地图API的最优路径和车辆历史轨迹中的正常路径，将其作为常规路径，用以异常轨迹检测；异常轨迹的异常分数计算：依据常规轨迹集，判断车辆实时轨迹是否异常，并计算其异常分数；基于异常轨迹的安全预警：根据轨迹的异常分数进行预警。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种网约车异常轨迹实时检测和安全预警方法，其特征在于包括如下步骤：

c1、路网网格化处理：将矩形检测区域内的道路网进行网格化处理；

c2、常规路径集获取：获取地图API的最优路径和车辆历史轨迹中的正常路径，将其作为常规路径，用以异常轨迹检测；

c3、异常轨迹的异常分数计算：依据常规轨迹集，判断车辆实时轨迹是否异常，并计算其异常分数；

c4、基于异常轨迹的安全预警：根据轨迹的异常分数进行预警；

其中步骤c3过程包括：

c31、根据网格化实时轨迹T＝{g₁,g₂,…,g_t}与常规轨迹集判断网格化实时轨迹T是否偏航，具体如下，

FP(T_i,PG)＝{P_j|T_i∈PG_j,0<j<N₂,1<i<nt}

式中，T_i是T的第i个子片段，nt是子片段个数；δ指网格化实时轨迹T的偏航判别指标，δ_i是T_i的偏航判别指标；FP(T_i,PG)是T_i的遵循轨迹数，即常规轨迹集PG中完全包含T_i的轨迹个数；T_i∈PG_j是指PG_j完全包含T_i；

c32、对T进行切分，步骤如下：

Step1.初始化：T＝{g₁,g₂,…,g_t}，i＝1；

Step2.判断PG_j是否完全包含T_i，

式中，是指T_i中第e个点在PG_j中对应的位置；

Step3.根据δ_i，判断是否划分T，δ_i＝1则切分1次；

式中，是第i个子片段T_i的有序集，t_i是第i个子片段T_i的结束点；

c33、当网格化实时轨迹T发生偏航时，计算轨迹异常分数；

其中异常分数计算过程包括：

首先，根据环境风险指标、异常停车指标、正常偏离指标来计算轨迹异常分数，

式中，AS_T是轨迹T的异常分数，λ_i是子片段T_i的异常系数，代表网格/>处的环境风险，/>代表区域环境风险的均值，St_i代表子片段T_i的异常停车长度，即相邻网格相同的点的个数；

其次，环境风险指标的计算方法是对提取的POI数据进行核密度计算，得到各个网格中心点的核密度值，具体如下：

式中，表示任意POI点与网格点/>的距离，N_P是兴趣点的个数。

2.根据权利要求1所述的一种网约车异常轨迹实时检测和安全预警方法，其特征在于步骤c1中路网网格化处理的过程包括：

c11、根据区域边界点集B＝{B_bl,B_br,B_tl,B_tr}和最小像元大小d_min，确定矩阵维度N_x、N_y，

式中，B_bl、B_br、B_tl、B_tr分别表示检测区域左下边界点、左上边界点、右下边界点和右上边界点；对应经纬度坐标分别表示为(x_bl,y_bl)、(x_br,y_br)、(x_tl,y_tl)、(x_tr,y_tr)；L_y表示矩形检测区域的南北向长度，L_x表示矩形检测区域的东西向长度；R为地球半径；

c12、计算每个网格中心点M_i,j的经纬度坐标(x_i,j,y_i,j)，继而构造矩阵M，具体如下，

x_i,j＝x_tl+(j-0.5)Δx,

y_i,j＝y_tl-(i-0.5)Δy,

式中，M_i,j是指第i行第j列个网格的中心点,Δx表示单个网格的经度差，Δy表示单个网格的纬度差。

3.根据权利要求1所述的一种网约车异常轨迹实时检测和安全预警方法，其特征在于步骤c2具体过程包括：

c21、利用高德地图API获取某一OD内的最优路径，包括不同日期下各个时段内的距离最短路径、时间最短路径、收费最小路径、红绿灯最少路径、躲避拥堵路径；

去除重复路径，得到最优路线集p代表最优路径的总数，OP₁、OP₂、/>分别表示OP中的第1、2和N₁个最优路径；

c22、根据出租车和网约车的历史轨迹数据，确定同一OD内的历史轨迹集，采用聚类方法，得到正常轨迹集

c23、将最优路线集OP与正常轨迹集NT，进行去重处理，得到常规轨迹集P,

P＝OP∩NT＝{P₁,P₂,...,P_p}；

c24、将常规轨迹集中的轨迹进行网格化处理，将由坐标点组成的有序集转化为由经过的网格编号组成的有序集。

4.根据权利要求3所述的一种网约车异常轨迹实时检测和安全预警方法，其特征在于：步骤c22中正常轨迹集的获取过程包括：

首先，计算任意历史轨迹R转化为任意历史轨迹S的编辑距离ED(R,S)，编辑距离ED的计算公式如下，

CD(de(r_i))＝|r_i-s_j|

CD(in(s_j))＝|s_j-s_j-1|

式中，R和S是指两个任意历史轨迹，分别表示为R＝{r₁,r₂,…,r_m,}，S＝{s₁,s₂,…,s_n,}；re(R)和re(S)是指剔除当前点后的剩余轨迹，分别表示为re(R)＝{r₁,r₁,…,r_m-1,}，re(S)＝{s₁,s₁,…,s_n-1,}；CD(de(r_m))和CD(de(r_i))分别是指删除r_m和r_i操作的代价值；CD(in(s_n))和CD(in(s_j))分别是指插入s_n和s_j操作的代价值；r_m和r_i分别是指轨迹R中的第m个和第i个点，对应的坐标为(x_m,y_m)和(x_i,y_i)；s_n和s_j分别是指轨迹S中的第n个和第j个点，对应的坐标为(x_n,y_n)和(x_j,y_j)；CD(rp(r_m,s_n))是指将r_i和s_j进行替换操作的代价值；

其次，将编辑距离ED作为相似度指标，利用层次聚类方法，得到历史轨迹的聚类结果C＝{C₁,C₂,…,C_c}，将样本个数大于N_min的簇作为正常轨迹簇，具体如下，

C_NT＝{C_i|N(C_i)>N_min}

N_min＝5％×N_w/c

式中，C₁和C_i分别表示聚类结果中的第一个簇，c表示簇的总数，C_NT表示正常轨迹簇，N(C_i)表示第i个簇内样本轨迹的个数，N_min表示异常轨迹簇的判别阈值，N_w表示同一OD内历史轨迹的总数；

最后，将C_NT内所有类别的轨迹，进行去重，得到正常轨迹集

5.根据权利要求3所述的一种网约车异常轨迹实时检测和安全预警方法，其特征在于步骤c24中网格化常规轨迹集的获取过程包括：

首先，计算任意常规轨迹P_i＝{pt₁,pt₂,…,pt_Z}中任意点pt_z与任意网格中心点M_i,j的距离，根据距离判断坐标点pt_z所属网格，具体如下，

pt_z∈G,G＝(i,j),if|pt_z-M_i,j|<0.5d_min

式中，Z是指任意正常轨迹P_i的长度，即点的个数；G用(i,j)表示(i,j)，是指网格化地图中第i行第j个网格；|pt_z-M_i,j|是指任意点pt_z与任意网格中心点M_i,j的距离；

其次，根据上一步中pt_z的判别结果，得到任意常规轨迹P_i的网格化有序集PG_i＝{G₁,G₂,…,G_Z}，继而得到网格化常规轨迹集

6.根据权利要求1所述的一种网约车异常轨迹实时检测和安全预警方法，其特征在于步骤c4过程包括：

Step1.如果AS_T>|T|，则对轨迹T进行三级监测；

Step2.如果AS_T>Q₁＝min(max(|PG_i|),1.5|T|)，则对轨迹T进行二级监测；

Step3.如果AS_T>Q₂＝max(max(|PG_i|),1.5|T|)，则对轨迹T进行安全预警。

7.一种网约车异常轨迹实时检测和安全预警系统，其特征在于包括：

路网网格化处理模块，用于将矩形检测区域内的道路网进行网格化处理；

常规路径集获取模块，用于获取地图API的最优路径和车辆历史轨迹中的正常路径，将其作为常规路径，用以异常轨迹检测；

异常轨迹的异常分数计算模块，用于依据常规轨迹集，判断车辆实时轨迹是否异常，并计算其异常分数；

基于异常轨迹的安全预警模块，用于根据轨迹的异常分数进行预警；

其中异常轨迹的异常分数计算模块具体执行以下步骤：

c31、根据网格化实时轨迹T＝{g₁,g₂,…,g_t}与常规轨迹集判断网格化实时轨迹T是否偏航，具体如下，

FP(T_i,PG)＝{P_j|T_i∈PG_j,0<j<N₂,1<i<nt}

式中，T_i是T的第i个子片段，nt是子片段个数；δ指网格化实时轨迹T的偏航判别指标，δ_i是T_i的偏航判别指标；FP(T_i,PG)是T_i的遵循轨迹数，即常规轨迹集PG中完全包含T_i的轨迹个数；T_i∈PG_j是指PG_j完全包含T_i；

c32、对T进行切分，步骤如下：

Step1.初始化：T＝{g₁,g₂,…,g_t}，i＝1；

Step2.判断PG_j是否完全包含T_i，

式中，是指T_i中第e个点在PG_j中对应的位置；

Step3.根据δ_i，判断是否划分T，δ_i＝1则切分1次；

式中，是第i个子片段T_i的有序集，t_i是第i个子片段T_i的结束点；

c33、当网格化实时轨迹T发生偏航时，计算轨迹异常分数；

其中异常分数计算过程包括：

首先，根据环境风险指标、异常停车指标、正常偏离指标来计算轨迹异常分数，

式中，AS_T是轨迹T的异常分数，λ_i是子片段T_i的异常系数，代表网格/>处的环境风险，/>代表区域环境风险的均值，St_i代表子片段T_i的异常停车长度，即相邻网格相同的点的个数；

其次，环境风险指标的计算方法是对提取的POI数据进行核密度计算，得到各个网格中心点的核密度值，具体如下：

式中，表示任意POI点与网格点/>的距离，N_P是兴趣点的个数。

8.一种网约车异常轨迹实时检测和安全预警装置，其特征在于：所述装置包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1～6之任一所述方法。