一种基于改进GRU神经网络的异常轨迹检测方法

本发明涉及异常轨迹检测，特别是涉及一种基于改进gru神经网络的异常轨迹检测方法。

背景技术：

1、成序列的时空数据刻画了用户的时间属性和空间属性，蕴含着丰富的目标行为、状态和偏好等语义信息，理解时空数据表达的语义特别是轨迹语义信息对于城市规划、交通物流管理、突发事件预防启着重要作用。异常轨迹检测也是其中一项重要研究方向。

2、异常的出现往往预示着事件的发生，从而具有更高的研究价值。以城市交通的拥堵为例，都能通过个体或群簇的轨迹异常预先识别。但由于轨迹数据具有不确定性、稀疏性、偏态分布性、规模大以及更新快等特征，开展研究相对复杂，传统的异常轨迹检测方法多以空间识别为主，较少结合其时间序列。且受限于技术手段，传统方法难以应对大规模数据集与处理非线性和复杂的异常模式。新兴的循环神经网络技术相较于传统模式具备更加良好的时序关联分析、异常特征捕捉的基础条件，因而在时序向的异常轨迹检测任务中具有巨大的潜力。

3、因此，如何以循环神经网络技术迭代异常轨迹检测方案，并为之构建成体系的技术集群，是目前亟待解决的问题。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种基于改进gru神经网络的异常轨迹检测方法，使用改进gru网络训练目标对象轨迹模型以识别轨迹偏离异常，且可将任意来源甚至是自训练的敏感区数据嵌入检测模型，实现轨迹偏向异常的协同检测。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于改进gru神经网络的异常轨迹检测方法，包括：

4、获取待检对象近期的轨迹数据，并将所述轨迹数据整理为以经纬度为主要特征的轨迹序列；

5、基于dbscan算法对所述轨迹序列进行密度聚类，整理聚类结果并为所述轨迹序列添加正常或异常标签；

6、搭建改进gru神经网络，将记录标签信息的所述轨迹序列集输入所述改进gru神经网络，以训练待检对象的轨迹模型；

7、以经纬度为特征目标整理敏感区训练集，调用dbscan算法对所述敏感区训练集进行密度聚类，得到第一敏感区提取结果；

8、对于给定的自有数据训练点集，通过多边形凸包算法整理所述自有数据训练点集最大凸包多边形并记录，得到第二敏感区提取结果；

9、基于完成训练的所述轨迹模型及所述第一敏感区提取结果、所述第二敏感区提取结果，传入待检对象的即时轨迹，根据轨迹模型输出结果及即时轨迹斜率切向分别研判轨迹偏离或轨迹偏向异常信息。

10、优选地，所述自有数据训练点集包括：路网数据和调整后的点簇集合。

11、优选地，所述聚类操作的具体步骤包括：

12、定义轨迹数据集ts(ts＝{t1,t2,…tn})，轨迹分类标签x(x＝[x1,x2,…,xn]t)；

13、初始化轨迹标签集定义聚类算法参数k，eps，minpts并由下列算法计算内容：

14、k＝2*dimension(t1)–1；

15、eps＝k-distance(ts,k)；

16、minpts＝k+1；

17、其中，tn为第n条轨迹，xn为第n条轨迹对应的标签，dimension(t1)为维度提取算法，用于计算并返回轨迹向量的特征维数，dimension(t1)恒为2；k-distance(ts,k)为k-领域算法：对任意经纬点ti，计算ts中每个点到距离其第k个最近邻居的距离，降序排序后作k-dist图，k-dist图示拐点值即为所求阈值点eps。

18、优选地，所述多边形凸包算法的具体操作步骤包括：

19、将输入点按照x坐标从小到大排序，并分别加入一个左栈和右栈中；

20、从输入点中选取最左和最右的点作为初始的上凸壳端点，将它们依次加入左右两个栈中；

21、对于每个未处理的点，判断其是否在上凸壳内部，是则跳过，否则执行以下操作：a.从左右两个栈的栈顶开始，将与未处理的点形成逆时针方向构成凸包的点弹出栈；b.将未处理的点加入左右两个栈的栈顶；

22、重复步骤“对于每个未处理的点，判断其是否在上凸壳内部，是则跳过，否则执行以下操作”，直至所有点处理完毕；

23、弹出左右两个栈的顶部，得到下凸壳部分；

24、将下凸壳部分倒序加入上凸壳中，即可得到完整的凸包。

25、优选地，步骤3的具体操作步骤包括：

26、基于两层gru网络衔接一层全连接网络搭建三层改进gru网络模型；

27、初始化网络模型参数：置第一、二层网络隐藏神经元个数为10，全连接层隐藏神经元个数为24；设置学习率为0.06，选择sigmod及tanh为激活函数并置网络迭代次数为100；

28、输入聚类处理后含标签信息的轨迹序列集，训练并得到目标对象的常态化轨迹模型；

29、基于拟合的常态化轨迹模型开展后续异常检测工作。

30、根据本发明提供的具体实施例，本发明公开了以下技术效果：

31、本发明提供了一种基于改进gru神经网络的异常轨迹检测方法，包括：获取待检对象近期的轨迹数据，并将所述轨迹数据整理为以经纬度为主要特征的轨迹序列；基于dbscan算法对所述轨迹序列进行密度聚类，整理聚类结果并为所述轨迹序列添加正常或异常标签；搭建改进gru神经网络，将记录标签信息的所述轨迹序列集输入所述改进gru神经网络，以训练待检对象的轨迹模型；以经纬度为特征目标整理敏感区训练集，调用dbscan算法对所述敏感区训练集进行密度聚类，得到第一敏感区提取结果；对于给定的自有数据训练点集，通过多边形凸包算法整理所述自有数据训练点集最大凸包多边形并记录，得到第二敏感区提取结果；基于完成训练的所述轨迹模型及所述第一敏感区提取结果、所述第二敏感区提取结果，传入待检对象的即时轨迹，根据轨迹模型输出结果及即时轨迹斜率切向分别研判轨迹偏离或轨迹偏向异常信息。本发明的检测手段输入需求简单，参数调度自由，支持路网实况、地图标绘甚至是自训练区域的敏感区倾向检测。

技术特征：

1.一种基于改进gru神经网络的异常轨迹检测方法，其特征在于，包括：

2.根据权利要求1所述的基于改进gru神经网络的异常轨迹检测方法，其特征在于，所述自有数据训练点集包括：路网数据和调整后的点簇集合。

3.根据权利要求1所述的基于改进gru神经网络的异常轨迹检测方法，其特征在于，所述聚类操作的具体步骤包括：

4.根据权利要求1所述的基于改进gru神经网络的异常轨迹检测方法，其特征在于，所述多边形凸包算法的具体操作步骤包括：

5.根据权利要求1所述的基于改进gru神经网络的异常轨迹检测方法，其特征在于，步骤3的具体操作步骤包括：

技术总结
本发明提供了一种基于改进GRU神经网络的异常轨迹检测方法，包括：将轨迹数据整理为轨迹序列，并进行密度聚类，整理结果并为轨迹序列添加正常或异常标签；搭建改进GRU神经网络，将记录标签信息的轨迹序列集输入神经网络；以经纬度为特征目标整理敏感区训练集，对敏感区训练集进行密度聚类，得到第一敏感区提取结果；对于给定的自有数据训练点集，整理最大凸包多边形并记录，得到第二敏感区提取结果；基于完成训练的轨迹模型及敏感区提取结果，传入待检对象的即时轨迹，根据轨迹模型输出结果及即时轨迹斜率切向分别研判轨迹偏离或轨迹偏向异常信息。本发明输入需求简单，参数调度自由，支持路网实况、地图标绘甚至是自训练区域的敏感区倾向检测。

技术研发人员：于宝华,唐国豪,赵华英
受保护的技术使用者：石河子大学
技术研发日：
技术公布日：2024/2/8