[发明专利]基于循环神经网络和差分自编码器的异常轨迹检测方法及系统

权利要求书

1.基于循环神经网络和差分自编码器的异常轨迹检测方法，其特征在于，包括：

对采集到的原始轨迹数据进行分段，获取分段后的轨迹数据；

将目标地图划分为若干个网格，对分段后的轨迹数据进行离散化处理，获取离散化轨迹数据；

对离散化轨迹数据进行划分，获取训练集和测试集；

基于循环神经网络和差分自编码器，构建异常轨迹检测模型；

将训练集输入到异常轨迹检测模型中进行训练，获取最优化的异常轨迹检测模型；

将测试集输入到最优化的异常轨迹检测模型中，获取轨迹的异常分数；

基于异常分数，判断轨迹是否异常。

2.根据权利要求1所述的循环神经网络和差分自编码器的异常轨迹检测方法，其特征在于，所述对采集到的原始轨迹数据进行分段，获取分段后的轨迹数据，具体为：

在行驶轨迹数据中获取车辆的轨迹点位置信息和时间戳；基于车辆的轨迹点位置信息和时间戳，序列P＝{p₁，p₂，…，p_n}表示轨迹数据中的一条轨迹；其中，p_i＝(t_i，l_i)∈P表示序列P中第i个轨迹点的时间戳与位置信息，n为轨迹的长度；

基于轨迹分段规则，对原始轨迹数据P进行分段，使用序列Q＝{q₁，q₂，…，q_m}表示轨迹数据中的一条轨迹；其中，q_i＝(t_i，l_i)∈Q表示序列Q中第i个轨迹点的时间戳与位置信息，m为轨迹的长度。

3.根据权利要求2所述的循环神经网络和差分自编码器的异常轨迹检测方法，其特征在于，所述轨迹分段规则，具体为：

当相邻两个轨迹点的空间偏差大于所设定的第一阈值，通过周围的轨迹点进行拉格朗日插值，形成一条完整的轨迹数据；或当轨迹点在设定的时间内没有发生位移或轨迹点的位移偏差没有达到设定的第二阈值，对轨迹进行分割，形成一条完整的轨迹数据；

所述对轨迹进行分割，具体为：

对在设定的时间内没有发生位移的轨迹点进行剔除，分割掉不移动的位移点，得到分段后的轨迹数据。

4.根据权利要求3所述的循环神经网络和差分自编码器的异常轨迹检测方法，其特征在于，所述将目标地图划分为若干个网格，对分段后的轨迹数据进行离散化处理，获取离散化轨迹数据，具体为：

将目标地图划分成若干个网格，落入到相同网格的轨迹点具有相同的编号，实现轨迹数据点的离散化；使用序列R＝{r₁，r₂，…，r_m}表示轨迹数据中的一条轨迹；其中，r_i＝(t_i，l_i)∈R表示序列R中第i个轨迹点的时间戳与位置信息，m为轨迹的长度。

5.根据权利要求4所述的循环神经网络和差分自编码器的异常轨迹检测方法，其特征在于，所述基于循环神经网络和差分自编码器，构建异常轨迹检测模型，具体为：

步骤5.1：构建轨迹自编码器模型；包括编码器E₁、概率分布P₁和生成器G₁；编码器E₁为循环神经网络，将训练集中的轨迹数据R₁作为输入，输出轨迹的潜在表示r_R；路径的概率分布P₁为基于高斯分布的概率分布模型，以轨迹的潜在表示r_R作为输入，输出μ＝{μ₁，μ₂，…，μ_n}表示潜在空间中的路径种类；其中n为种类的数量；生成器G₁为循环神经网络，将轨迹的潜在表示r_R作为输入，输出重建的轨迹

步骤5.2：构建判别器D；判别器D为k层全连接神经网络，将训练集中的轨迹数据R₁和重建的轨迹作为输入，输出评分矩阵