一种面向城市交通数据的实时异常轨迹检测方法技术

本发明专利技术公开了一种面向城市交通数据的实时异常轨迹检测方法，包括将交通轨迹数据集中的GPS点经地图匹配映射到城市交通路网中，根据SD对将交通轨迹数据集划分为不同的训练集，根据不同训练集中的轨迹构建基于SD对的时空模型，获取测试轨迹，当测试轨迹为已达轨迹时，对已达轨迹进行异常判断，当已达轨迹为正常时，测试轨迹为正常，反之为异常，当测试轨迹包括已达轨迹和未达轨迹时，对已达轨迹进行异常判断，当已达轨迹为正常时，对未达轨迹进行异常判断，当未达轨迹为异常轨迹时，测试轨迹为异常，当未达轨迹为正常轨迹时，将测试轨迹为正常，当已达轨迹为异常时，测试轨迹为异常。提高了实时异常轨迹检测的效率并提高了检测的准确性。准确性。准确性。

【技术实现步骤摘要】
一种面向城市交通数据的实时异常轨迹检测方法


[0001]本专利技术涉及智能交通
，尤其涉及一种面向城市交通数据的实时异常轨迹检测方法。

技术介绍

[0002]随着智能传感技术的发展和GPS移动设备的普及，每天都会产生大量的轨迹数据。这些轨迹数据是移动对象(如动物、行人、汽车等)在运动过程中产生的时空数据，可以描述移动对象在特定时空范围内的运动行为，并客观反映移动对象的运动规律。轨迹数据不仅由符合标准的规范数据组成，还包含部分不符合规范的潜在异常数据，这些异常数据为恶意行为的检测提供了可能。因此，需要从轨迹数据中挖掘更多具有实用价值的异常数据。
[0003]从大量轨迹数据中发现异常轨迹的过程称为异常轨迹检测。在异常轨迹检测的研究中，通常将与其他轨迹表现出显著不同的少数轨迹定义为异常轨迹，这反映了异常轨迹相对于正常轨迹“少数”和“不同”的特征。异常轨迹检测被广泛应用于公共交通、安全管控、物流运输等领域。针对异常轨迹检测的结果，分析异常产生的原因，及时提出规范性处理方案，有助于在未来对该类异常进行有效规避，提高城市交通的安全性与稳定性。
[0004]在现实生活中，一些有经验的出租车司机可能会通过绕路的方式避免高峰期的交通堵塞。若基于上述异常轨迹定义对该类行驶轨迹进行异常检测，则会错误的将正常轨迹报告为异常轨迹，从而导致较高的误报率。上述异常轨迹定义忽略了时间特征对轨迹数据的重要影响，为了解决这一局限，STR算法定义了两个时空模型来描述位移和行驶距离、位移和行驶时间的关系，只有当行驶距离和行驶时间都超出正常范围时，才会将轨迹报告为异常。然而，STR算法存在一定的局限性，当出租车司机从起始位置出发，故意朝目的地的反方向进行绕道时，随着位移的逐渐增加，行驶时间和行驶距离随之增加，在行驶时间和行驶距离都超出正常范围之前，STR算法对该类异常不能及时触发预警。此外，已有的一些离线异常轨迹检测算法总是需要足够的历史轨迹数据做支撑，当历史轨迹数据稀少或根本不存在时，该类方法将不能有效实施。目前，针对在线异常轨迹检测方法的研究相对较少，已有的异常轨迹检测方法多为离线异常检测，检测结果不能及早警示。

技术实现思路

[0005]本专利技术提供一种面向城市交通数据的实时异常轨迹检测方法，以克服上述技术问题。
[0006]一种面向城市交通数据的实时异常轨迹检测方法，包括，
[0007]S1、构建城市交通路网，并将城市交通路网中的道路序列化，获取包含GPS点的交通轨迹数据集，将交通轨迹数据集中的GPS点经地图匹配映射到城市交通路网中，从城市交通路网中获取每一条轨迹的路段序列，根据路段序列中的起始路段、终止路段构建轨迹的SD对，存储所有轨迹、轨迹对应的路段序列、轨迹对应的SD对至第一集合，
[0008]S2、根据第一集合中的SD对将交通轨迹数据集划分为不同的训练集，根据不同训
练集中的轨迹构建基于SD对的时空模型，将所有基于SD对的时空模型以及与其对应的SD对存储至模型集中，
[0009]S3、获取测试轨迹，判断测试轨迹中是否包括未达轨迹，
[0010]若测试轨迹中不包括未达轨迹，则表示测试轨迹为已达轨迹，对已达轨迹进行异常判断并获取判断结果，当已达轨迹为正常时，将测试轨迹标记为正常轨迹，当已达轨迹为异常时，将测试轨迹标记为异常轨迹，
[0011]若测试轨迹中包括未达轨迹，则将测试轨迹划分为已达轨迹和未达轨迹，对已达轨迹进行异常判断并获取判断结果，
[0012]当已达轨迹为正常时，对未达轨迹进行异常判断并获取判断结果，当未达轨迹为异常轨迹时，将测试轨迹标记为异常轨迹，当未达轨迹为正常轨迹时，将测试轨迹标记为正常轨迹；
[0013]当已达轨迹为异常时，将测试轨迹标记为异常轨迹。
[0014]优选地，所述对已达轨迹进行异常判断并获取判断结果包括，
[0015]S41、将轨迹分为三类，第一类为轨迹的SD对存在于模型集中，第二类为轨迹的SD对不存在于模型集中，第三类为轨迹的SD对的起始路段或终止路段存在于模型集中，
[0016]S42、获取已达轨迹的SD对和路段序列，通过已达轨迹的SD对、路段序列与模型集的比较结果获取已达轨迹的类型，当已达轨迹的类型为第一类时，执行S43，当已达轨迹的类型为第二类时，执行S44，当已达轨迹的类型为第三类时，执行S45，
[0017]S43、对于第一类已达轨迹，从模型集中获取基于SD对的时空模型，根据基于SD对的时空模型对已达轨迹中的轨迹点进行预测，根据预测结果分别对轨迹点和已达轨迹是否异常进行判断并生成判断结果，
[0018]S44、对于第二类已达轨迹，根据路径生成算法生成已达轨迹的推荐轨迹，分别计算在不同的时间间隔内，轨迹点与推荐点之间的距离差值，根据距离差值对轨迹点是否异常进行判断，根据异常轨迹点的数量对已达轨迹是否异常进行判断并生成判断结果，
[0019]S45、对于第三类已达轨迹，根据已达轨迹的路段序列与模型集中的SD对进行匹配后，对已达轨迹进行划分，分别将子轨迹作为不同的已达轨迹，根据S42重新对不同的已达轨迹异常判断并生成判断结果。
[0020]优选地，所述对未达轨迹进行异常判断并获取判断结果包括获取测试轨迹的起始点和终点，根据路径规划算法生成关于起始点和终点的全程推荐轨迹，计算完成全程推荐轨迹所需的第一完成时间，根据路径规划算法生成未达轨迹的未达推荐轨迹，计算完成未达推荐轨迹的第二完成时间，获取已达轨迹的行驶时间，计算第二完成时间和行驶时间的总和并表示为第三完成时间，根据第一完成时间与第三完成时间的差值对未达轨迹是否异常进行判断。
[0021]优选地，所述S1包括，
[0022]构建城市交通路网，城市交通路网用G(V,E,W)表示，其中V＝{v1,v2,...}是表示道路交叉点的顶点集，代表两相邻顶点间道路的集合，W＝{w1,w2,...}是道路的权值集，表示两相邻顶点间道路的真实距离，将城市交通路网中的每一条道路划分为路段序列，即道路e
i
经划分后得到路段序列L＝{L
j
,L
j+1
,...,L
k
}，
称为路段，
[0023]获取包含GPS点的交通轨迹数据集，将交通轨迹数据集中的GPS点经地图匹配映射到城市交通路网中，从城市交通路网中获取每一条轨迹的路段序列，即对于任意一条轨迹T
i
＝{p1,p2,...,p
n
}在城市交通路网中对应的路段序列为TL＝{L1,L2,...,L
m
}，其中，路段序列TL的起始路段L
S
＝L1，终止路段L
D
＝L
m
，根据路段序列中的起始路段、终止路段构建轨迹T
i
的SD对，将所有轨迹、轨迹对应的路段序列、轨迹对应的SD对存储至第一集合中。
[0024]优选地，所述S2包括，
[0025]S21、初始化SD对索引本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向城市交通数据的实时异常轨迹检测方法，其特征在于，包括，S1、构建城市交通路网，并将城市交通路网中的道路序列化，获取包含GPS点的交通轨迹数据集，将交通轨迹数据集中的GPS点经地图匹配映射到城市交通路网中，从城市交通路网中获取每一条轨迹的路段序列，根据路段序列中的起始路段、终止路段构建轨迹的SD对，存储所有轨迹、轨迹对应的路段序列、轨迹对应的SD对至第一集合，S2、根据第一集合中的SD对将交通轨迹数据集划分为不同的训练集，根据不同训练集中的轨迹构建基于SD对的时空模型，将所有基于SD对的时空模型以及与其对应的SD对存储至模型集中，S3、获取测试轨迹，判断测试轨迹中是否包括未达轨迹，若测试轨迹中不包括未达轨迹，则表示测试轨迹为已达轨迹，对已达轨迹进行异常判断并获取判断结果，当已达轨迹为正常时，将测试轨迹标记为正常轨迹，当已达轨迹为异常时，将测试轨迹标记为异常轨迹，若测试轨迹中包括未达轨迹，则将测试轨迹划分为已达轨迹和未达轨迹，对已达轨迹进行异常判断并获取判断结果，当已达轨迹为正常时，对未达轨迹进行异常判断并获取判断结果，当未达轨迹为异常轨迹时，将测试轨迹标记为异常轨迹，当未达轨迹为正常轨迹时，将测试轨迹标记为正常轨迹；当已达轨迹为异常时，将测试轨迹标记为异常轨迹。2.根据权利要求1所述的一种面向城市交通数据的实时异常轨迹检测方法，其特征在于，所述对已达轨迹进行异常判断并获取判断结果包括，S41、将轨迹分为三类，第一类为轨迹的SD对存在于模型集中，第二类为轨迹的SD对不存在于模型集中，第三类为轨迹的SD对的起始路段或终止路段存在于模型集中，S42、获取已达轨迹的SD对和路段序列，通过已达轨迹的SD对、路段序列与模型集的比较结果获取已达轨迹的类型，当已达轨迹的类型为第一类时，执行S43，当已达轨迹的类型为第二类时，执行S44，当已达轨迹的类型为第三类时，执行S45，S43、对于第一类已达轨迹，从模型集中获取基于SD对的时空模型，根据基于SD对的时空模型对已达轨迹中的轨迹点进行预测，根据预测结果分别对轨迹点和已达轨迹是否异常进行判断并生成判断结果，S44、对于第二类已达轨迹，根据路径生成算法生成已达轨迹的推荐轨迹，分别计算在不同的时间间隔内，轨迹点与推荐点之间的距离差值，根据距离差值对轨迹点是否异常进行判断，根据异常轨迹点的数量对已达轨迹是否异常进行判断并生成判断结果，S45、对于第三类已达轨迹，根据已达轨迹的路段序列与模型集中的SD对进行匹配后，对已达轨迹进行划分，分别将子轨迹作为不同的已达轨迹，根据S42重新对不同的已达轨迹异常判断并生成判断结果。3.根据权利要求1所述的一种面向城市交通数据的实时异常轨迹检测方法，其特征在于，所述对未达轨迹进行异常判断并获取判断结果包括获取测试轨迹的起始点和终点，根据路径规划算法生成关于起始点和终点的全程推荐轨迹，计算完成全程推荐轨迹所需的第一完成时间，根据路径规划算法生成未达轨迹的未达推荐轨迹，计算完成未达推荐轨迹的第二完成时间，获取已达轨迹的行驶时间，计算第二完成时间和行驶时间的总和并表示为
第三完成时间，根据第一完成时间与第三完成时间的差值对未达轨迹是否异常进行判断。4.根据权利要求1所述的一种面向城市交通数据的实时异常轨迹检测方法，其特征在于，所述S1包括，构建城市交通路网，城市交通路网用G(V,E,W)表示，其中V＝{v1,v2,...}是表示道路交叉点的顶点集，代表两相邻顶点间道路的集合，W＝{w1,w2,...}是道路的权值集，表示两相邻顶点间道路的真实距离，将城市交通路网中的每一条道路划分为路段序列，即道路e
i
经划分后得到路段...

【专利技术属性】
技术研发人员：王习特，许铮，白梅，马茜，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：