[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

说明书

本发明公开了一种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，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。本发明能够通过生成模型对车辆的轨迹信息进行编码，探索轨迹异常在潜在空间中的表现形式，并对异常进行判别，提高检测的准确性。

技术领域

本发明属于轨迹检测技术领域，涉及一种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。

背景技术

全球卫星定位导航系统(GPS)和手持移动终端等级数的快速发展，推动了基于移动对象位置信息相关研究的进步。由于便携性提高且成本下降，采集并存储了大量移动对象的轨迹数据。这些数据之间有着很强的时间、空间相关性，这些具有时空特性的数据表征了对象的移动特性。而隐含的局部模式往往较为复杂，难以从数据中挖掘有效信息。因此需要建立有效的数据管理机制，研究大数据中的数据挖掘技术，从大量移动对象的规矩数据中抽取有价值的时空模式等有效信息。

现有的关于异常轨迹检测的研究可以分为两类：基于度量的方法和基于学习的方法。第一类通常基于手工特征，由于不同地点之间的轨迹通常非常不同，因此这些定义可能仅对几种情况有效，而对许多其他情况却无效。其次，轨迹比较通常很耗时并且不能支持有效的在线检测。许多深度学习方法已应用于异常检测问题，然而，它们缺乏在潜在的嵌入空间中挖掘有关轨迹异常的有用信息的手段，即它们只能将轨迹嵌入到低维空间中，而没有探索潜在空间中的哪一部分代表法线以及哪一部分代表异常。因此，使用概率模型对于异常轨迹进行建模提供了新的思路。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种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，能够有效提高异常轨迹检测的准确性。

为达到上述目的，本发明采用以下技术方案予以实现：

基于循环神经网络和差分自编码器的异常轨迹检测方法，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。

本发明的进一步改进在于：

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；