[发明专利]一种基于轨迹数据流的异常移动对象检测方法

说明书

本发明公开了一种基于轨迹数据流的异常移动对象检测方法，具体步骤如下：步骤一，轨迹数据流异常的度量；步骤二，轨迹数据流索引；步骤三，轨迹数据流异常移动对象的检测。本发明采用既考虑空间位置又考虑时间信息的轨迹间异常度量方法，同时要具备增量更新的能力，提出轻量级的时空轨迹数据流异常度量；本发明通过索引时空轨迹覆盖区域，降低轨迹数据流索引更新频率，从根本上解决轨迹数据流索引频繁更新的问题；本发明提出轨迹数据流与检测查询的组织和管理的框架，能够满足轨迹数据流中异常移动对象检测实时性要求的初始化以及查询增量维护策略，提高了异常移动对象检测增量的维护能力。

技术领域

本发明涉及一种检测方法，具体是一种基于轨迹数据流的异常移动对象检测方法。

背景技术

随着传感器网络、全球定位系统GPS、无线通信等技术的日臻成熟，带有定位功能的移动智能设备被广泛使用，产生了大量移动物体的轨迹数据流，如出租车轨迹数据流、动物迁徙数据流、大型公共场所人员移动数据流等等。轨迹数据流每天源源不断的产生，例如，车辆轨迹是基于车载GPS的采集，日均数据量千万至亿级，每天产生TB级数据轨迹流信息；手机轨迹基于蜂窝基站采样，日均数据量十亿至百亿级，数据总量为TB或PB级。可见，我们已经走入了轨迹数据流时代。

轨迹数据流中隐藏着大量有价值的时效信息，迫切需要研究人员对其进行实时分析，即时地发现问题，及时解决问题。公共场所中移动对象趋向具有相似的移动轨迹，如景点中的人流或车站中的人流，而偏离了这种趋势的行为被视为异常移动。在交通方面，车辆偏离正常的轨迹可能由于司机酒驾或身体突发不适造成。在公共场所安全监督方面，个别移动轨迹偏离了人流移动，可能存在潜在的安全威胁，如行窃或危害公共安全的行为。静态的轨迹异常度量是利用Hausdorf距离函数，基于子轨迹段计算异常度，该方法只考虑轨迹的几何形状，没考虑时间维，不适用于轨迹数据流环境；现有的轨迹数据索引技术大多是针对静态轨迹数据，以子轨迹段为基本单元进行索引，而轨迹数据流具有频繁更新的特征，轨迹的更新必将引起大量子轨迹的更新，以致索引频繁更新，并且轨迹段之间存在大量的交叉或重合，索引子轨迹段将造成索引空间大量的重叠；目前基于轨迹数据的异常对象检测研究大多是面向静态轨迹数据，增量维护的能力比较弱，少量针对单一的轨迹数据流异常点检测研究，只用于检测某单一轨迹流中的异常子轨迹段，而目前应用于轨迹数据流的异常移动对象检测的研究较少，已有算法存在一定的局限和不足。

发明内容

本发明的目的在于提供一种基于轨迹数据流的异常移动对象检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于轨迹数据流的异常移动对象检测方法，具体步骤如下：

步骤一，轨迹数据流异常的度量：采用奈奎斯特采方法进行采样，轨迹之间距离的度量基于同一时刻两个移动对象位置之间的距离的时态函数，窗口采用基于时间的滑动窗口，每次窗口滑动时间为Δt，采用先淘汰过期数据，再接收新数据的顺序进行更新，当前窗口内的轨迹异常度去除被删除Δt时间段内子轨迹异常度，再加上新到来的Δt时间段内子轨迹异常度，实现增量更新，从而得到最新窗口内轨迹段的距离；