[发明专利]轨迹异常检测方法和系统

说明书

本发明的一个或多个实施例公开了一种轨迹异常检测方法和系统。所述轨迹异常检测方法包括：采样得到待检测轨迹的轨迹点后，根据每个轨迹点的空间和时间状态，从采样的轨迹点中提取特征点；根据提取的特征点对所述待检测轨迹进行分段；将分段得到的轨迹段与预先得到的正常、异常模式轨迹段进行比较，根据比较结果识别出异常的轨迹段；其中，所述正常、异常模式轨迹段是通过对训练集中的轨迹段进行聚类后得到的；所述训练集中的轨迹段是根据历史轨迹的轨迹点的空间和时间状态提取特征点并对所述历史轨迹分段后得到的。应用上述轨迹异常检测方法和系统能够检测出更符合实际情况的异常轨迹。

技术领域

本发明涉及轨迹检测技术领域，特别是指一种轨迹异常检测方法和系统。

背景技术

飓风破坏力极强，每年造成严重人员伤亡和财产损失。从大量的轨迹数据中挖掘出异常轨迹模式来预防突发事件的发生具有十分重要的意义。

TRAOD(Trajectory Outlier Detection Algorithm)算法是一种经典的异常轨迹检测算法, 该算法首先采用两种分段粒度将每条轨迹分为若干轨迹线段，然后，在基于距离的异常检测方法的基础上，引入调整系数的概念，采用密度与距离相结合的方法进行异常轨迹检测。

然而，在实际应用中，通过上述TRAOD算法检测出的飓风异常轨迹与实际情况的符合效果不佳；因此，有必要提供一种飓风异常轨迹方法，可以相比于经典的TRAOD算法更加符合实际情况。

发明内容

有鉴于此，本发明的一个或多个实施例提供了一种轨迹异常检测方法和系统，能够检测出更符合实际情况的异常轨迹。

上述轨迹异常检测方法包括：

采样得到待检测轨迹的轨迹点后，根据每个轨迹点的空间和时间状态，从采样的轨迹点中提取特征点；若所述轨迹中第个轨迹点和第个轨迹点满足以下2个条件，则判断为特征点；其中，＜；

根据提取的特征点对所述待检测轨迹进行分段；

将分段得到的轨迹段与预先得到的正常、异常模式轨迹段进行比较，根据比较结果识别出异常的轨迹段；

其中，所述2个条件为：

条件1：和为特征点的最小描述长度MDL代价小于等于和不是特征点的代价；

条件2：和为特征点的状态离散指标小于等于设定的阈值；

其中，所述正常、异常模式轨迹段是通过对训练集中的轨迹段进行聚类后得到的；所述训练集中的轨迹段是根据历史轨迹的轨迹点的空间和时间状态提取特征点并对所述历史轨迹分段后得到的。

较佳地，所述和为特征点的状态离散指标的计算公式如下：

其中，各轨迹点的时间状态参数指标用来衡量轨迹随着时间的变化状态发生的变化；m代表时间状态参数的个数，为轨迹中的第k个子轨迹段，表示子轨迹段的m个时间状态参数中第个时间状态参数的值，表示个子轨迹段第个时间状态参数的平均值。

较佳地，所述轨迹具体为飓风的轨迹，所述轨迹点的时间状态参数指标，其中表示最大持续风速，表示中心最低气压；

；

其中，代表由轨迹点形成的多个子轨迹段的最大持续风速的均值，代表由轨迹点形成的多个子轨迹段的中心最低气压的均值，为子轨迹段的最大持续风速，为子轨迹段的中心最低气压；其中，一个子轨迹段是通过连接相邻轨迹点形成的。

较佳地，所述正常、异常模式轨迹段是通过对训练集中的轨迹段进行聚类后得到的，具体包括：