[0001] 本发明涉及车辆轨迹技术领域，具体为一种基于多特征融合的车辆轨迹异常检测方法。

[0002] 在现代物流运输等领域中，车辆轨迹异常检测至关重要。准确识别异常车辆轨迹能够有效提升物流运输安全性、优化物流运输管理以及提高物流运输效率。

[0003] 目前已有的车辆轨迹异常检测方法虽然在一定程度上尝试了多特征的运用，但仍存在诸多不足。一方面，部分方法在融合多特征时不够深入和全面。虽然会考虑到车辆的速度、加速度等基本特征，但对于时空特征、统计特征以及多角度轨迹密度特征的综合运用较为有限。例如，在融合不同特征时，可能只是简单地进行线性组合，没有充分挖掘各特征之间的内在关联和互补性。对于不同交通场景下各特征的重要性变化也缺乏动态调整机制，导致在复杂多变的实际交通环境中检测准确性不高。

[0004] 另一方面，对于多角度轨迹密度特征的重视程度不足。行为频率特征、时间密度特征和空间密度特征能够从不同角度反映车辆在特定区域内的行为模式，但目前很多方法未能充分利用这些特征。行为频率特征可以帮助检测驾驶员的不良驾驶习惯和潜在安全隐患，时间密度特征有助于发现交通拥堵的潜在区域和时间段，空间密度特征则对分析交通流量和规划道路资源具有重要价值。然而，这些特征在现有方法中的应用往往不够深入和系统。

[0005] 综上所述，目前需要一种更加完善的基于多特征融合的车辆轨迹异常检测方法，能够充分发挥各特征的优势，深入挖掘特征之间的内在联系，重视多角度轨迹密度特征的运用，以提高车辆轨迹异常检测的准确性、可靠性和适应性。

[0056] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

[0057] 实施例：如图1所示，一种基于多特征融合的车辆轨迹异常检测方法，包括以下步骤：

[0058] S1、物流公司系统通过车辆上的内置设备，例如移动网络模块以及GPS设备等，将数据发送到指定的服务器，再从服务器获取数据，同时生成详细车道信息以及地理区域的范围、该区域内车辆的活动数量以及面积等，并根据当前坐标系和时间点形成相对坐标进行保存，并使得时间以时间戳的形式存在，方便后续操作；

[0059] 在步骤S1中，需要利用车载传感器与交通管理系统进行交互，实时采集车辆所在路段的路况信息，车辆轨迹数据包括全局地理坐标、车辆速度、加速度；生成详细车道信息、地理区域的范围、面积以及该区域内车辆的活动数量等信息，并根据当前坐标系和时间点形成相对坐标，以每秒5帧的频率进行保存，将路况信息与车辆轨迹数据一起保存，形成新的轨迹数据坐标点(xi，yi，ti，Ji)，x和y是全局相对地理坐标，t是轨迹当前时间点，J表示当前轨迹点所处路况，i表示车辆轨迹上的某一轨迹点。

[0060] S2、对车辆轨迹数据进行数据预处理，包括数据清洗、数据平滑处理、去除噪声和时间对齐，得到处理好的轨迹数据集；

[0061] 在步骤S2中，数据清洗采用的清洗方式，根据数据的分布特征进行清洗，用于剔除数据集中的重复信息、空白信息与错误信息，主要包括除去缺失值、除去显示错误的数据、剔除无用字段，使数据集展现统一的特征，将数据集筛选成高质量数据；数据平滑处理，采用S‑G滤波器法对车辆轨迹数据进行平滑处理，除去数据集中的原始噪声；时间对齐，确保不同数据源的时间戳统一，方便后续数据分析和处理。

[0062] S3、提取车辆轨迹数据集特征，再根据改进后的分段式“3σ原则”确定车辆轨迹数据集中各指标的阈值标准，将阈值以外的车辆轨迹数据标为异常轨迹数据，完成异常轨迹数据的初步剔除筛选以及异常行为类型标记，将剩下的筛选完成后剩下的数据集作为新车辆轨迹数据集；

[0063] 在步骤S3中，如图2所示，改进后的分段式“3σ原则”是指将车辆的行驶轨迹按照高速公路段、市区拥堵路段、郊区路段等不同的路段进行划分，选择车辆坐标、采集时间、车道信息等作为特征指标，观测各数据集所囊括的时间、空间条件的各指标的群体特征，包括时空特征、统计特征、多角度轨迹密度特征，并且针对每个路段分别获取大部分指标所在的数据区间，未出现在这些区间的数据即表现出与其他数据不同的特征，当数据记录中有一个筛选指标位于异常区间范围内，则将该数据记录标记为异常行为数据。

[0064] 其中，所述时空特征、统计特征涉及到的具有正常区域范围的子特征分别有：

[0065] 其中所述时空子特征有速度特征(vρi)、加速度特征(aρi)以及方向特征(θρi)。

[0066] 其中所述速度

[0067] 其中vρi表示第i个轨迹点在ρ路段的速度，xi，yi分别是第i个点的全局地理坐标，ti表示第i个点的数据采集时间，ρ表示路段标号。

[0068] 根据改进后的分段式“3σ原则”，其所述正常区间为

[0069]

[0070] n为遍历到i点轨迹的总数。若vρi超出正常区域范围，则可能将其判断为速度异常并初步剔除。

[0071] 其中所述加速度 加速度的均值 加速度的均值标准差

[0072] 根据改进后的分段式“3σ原则”，其所述正常区间为：

[0073] [aμρi‑3aσρi，aμρi+3aσρi]

[0074] 若aρi超出正常区域范围，则可能将其判断为速度异常或者变道异常并初步剔除。

[0075] 其中所述方向

[0076] 根据改进后的分段式“3σ原则”，其所述正常区间为

[0077] [θμρi‑3θσρi，θμρi+3θσρi]

[0078] 若θρi超出正常区域范围，表明车辆频繁变化，则可能将其判断为变道异常并初步剔除。

[0079] 其中所述统计子特征有平均速度特征 行驶距离特征(Dρi)以及停留时间特征(Tρstop，pi)，

[0080] 其中所述平均速度

[0081] 根据改进后的分段式“3σ原则”，其所述正常区间为

[0082]

[0083] 若 超出正常区域范围，可能判断为速度异常并初步剔除。

[0084] 所述行驶时间距离

[0085] 根据改进后的分段式“3σ原则”，其所述正常区间为

[0086] [Dμ.ρi‑3Dσ.ρi，Dμ.ρi+3Dσ.ρi]

[0087] 若Dρi超出正常区域范围，可能判断为行驶距离与预定路线或最优路线的差异过大，可能判断为绕路异常并初步剔除。

[0088] 所述停留时间

[0089] 其中tpi表示轨迹点i在第p次停留的时间点，Spi表示到轨迹点i的时候的第p次停留的时间点集合，m表示总的停留次数。

[0090] 根据改进后的分段式“3σ原则”，其所述正常区间为

[0091] [Tμ.ρstop，pi‑3Tσ.ρstop，pi，Tμ.ρstop，pi+3Tσ.ρstop，pi][0092] 若Tρstop，pi超出正常区域范围，可能判断为停留异常并初步剔除。

[0093] 其中，多角度轨迹密度特征包括行为频率特征、时间密度特征、空间密度特征。

[0094] 其中所述行为频率fbehievr.ρ.i表示在特定ρ区域内遍历到i轨迹点时特定行为发生计数量。

[0095] 其中所述时间密度

[0096] 其中ftime.k.i表示第i个轨迹点在第k个特定时间段内的时间密度，Tk表示第k个特定时间段内车辆在该区域内的时间点集合，Ttotal，k表示第k个特定时间段的总长度。

[0097] 其中所述空间密度

[0098] 其中fspace.ρ.i表示第i个轨迹点在第ρ个特定地理区域的空间密度，Nvehicle，ρ表示第ρ个特定地理区域的车辆数量，Aregion，ρ表示第ρ个特定地理区域的面积。

[0099] S4、将时空特征、统计特征以及轨迹密度特征，加权融合成新的特征供检测模型进行学习，以检测出异常的车辆轨迹；

[0100] 在步骤S4中，所述新的特征是多特征进行融合的综合特征，

[0101]

[0102] 其中，速度特征(vρi)、加速度特征(aρi)以及方向特征(θρi)是时空特征的子特征，平均速度特征 行驶距离特征(Dρi)以及停留时间特征(Tρstop，pi)是统计特征的子特征；时空特征、统计特征以及空间密度特征中内部各子特征的权重平均分配；α、β、γ分别为时空特征、统计特征以及多角度轨迹密度特征的权重系数，且满足α+β+γ＝1。

[0103] 进一步地，α、β、γ为权重系数，用户可以根据需求通过在不同场景下，根据需求给各场景因素打分，进行动态调整，如图3所示；

[0104] S41、构建特征矩阵(H)

[0105]

[0106] 其中i为轨迹点的数量，stdi表示第i个轨迹点对应的各特征的标准差，使得某些高敏感度特征不被低估；impii第i个轨迹点对应的各特征的重要性排序值，以确定各个特征的重要性程度，对重要性较高的特征赋予较大的权重系数，对重要性较低的特征赋予较小的权重系数。

[0107] S42、构建场景矩阵(G)

[0108]

[0109] 其中C表示场景因素，a表示场景因素的个数，b表示场景的数量；另外增加表示对标准差敏感程度的场景因素Cstd以及表示对重要性排序重视程度的场景因素Cimp，可提高异常检测敏感度、适应不同数据分布、增强灵活性与可定制性，同时突出关键特征、减少噪声干扰并适应不同任务需求，从而优化特征权重计算以提升车辆轨迹异常检测的准确性和针对性。

[0110] S43、计算权重矩阵(W)

[0111] 首先，为了标准差和重要性排序的共同作用，同时也考虑它们各自的单独影响，定义关于标准差和重要性排序的函数

[0112] f(std，imp)＝std*imp+std+imp

[0113] W＝H*(GT*diago(f(std1，imp1)，f(std2，imp2)，，f(stdi，impi)))

[0114] 为了可以为每个轨迹点的特征组合进行个性化的加权，增加对角元素的对角矩阵，其中diago(f(std1，imp1)，f(std2，imp2)，，f(stdi，impi))表示以f(stdi，impi)为对角元素的对角矩阵，这使得不同的轨迹点可以根据其标准差和重要性排序的情况，得到不同程度的权重调整。

[0115] 可以根据需求通过在不同场景下，根据需求给各场景因素打分，分别得出动态的α、β、γ权重系数。

[0116] S5、训练及检测模型，输入历史异常轨迹数据以及融合特征到残差网络模型，对车辆轨迹进行四种异常轨迹检测，包括：绕路异常、速度异常、变道异常以及停留异常，定义奖励机制，通过残差网络处理输入特征，并生成轨迹异常的检测结果，根据检测结果和实际结果，通过奖励机制调整网络参数，优化检测性能，使用奖励函数来评估检测结果的准确性，并得出分数最高的参数组合；完成后，输入要进行识别的车辆轨迹数据集，通过训练好的残差网络模型对待检测的轨迹数据进行检测，并输出异常类型，完成车辆轨迹的异常检测。

[0117] 在步骤S5中，输入历史异常轨迹数据以及融合特征到残差网络模型，对车辆轨迹进行四种异常类型轨迹检测，包括：绕路异常、速度异常、变道异常以及停留异常，定义奖励机制，通过残差网络处理输入特征，得到初步的轨迹异常的检测结果。奖励机制根据检测结果和实际结果的对比调整网络参数，优化检测性能，使用奖励函数来评估检测结果的准确性，并得出残差网络模型分数最高的参数组合通过优化后的残差网络模型对待检测的轨迹数据进行检测，输出异常类型，完成车辆轨迹的异常检测。

[0118] 其中S51、向残差网络输入融合特征以及带有异常类型标签的历史轨迹数据，设计奖惩机制，奖惩分数R＝R‑*n‑‑R+*n+

[0119] 其中R‑表示惩罚值，当残差网络错误检测车辆轨迹为正常但实际为异常，或者错误检测车辆轨迹为异常但实际为正常或非检测的异常类型，给予的惩罚值；R+表示奖励值，当残差网络准确检测车辆轨迹为正常且实际为正常，或者准确检测车辆轨迹为某异常类型且实际为该异常类型时，给予的奖励值；n‑和n+分别表示被惩罚和被奖励的次数。

[0120] 其中S52、定义损失函数：损失函数L

[0121]

[0122] 在定义损失函数时，不仅考虑当前轨迹数据与实际标签的差异，也关注轨迹数据在时间序列上的变化趋势。如果连续多个时间点的轨迹数据都显示出异常的趋势，那么适当增大损失函数的值。其中 表示实际的车辆轨迹标签， 表示残差网络的检测结果，μ为平衡系数，nabnormal连续异常点的次数，τ为调整系数。qi.l(l∈{0，1，2，3，4}表示该点的检测结果，包括正常与四种异常类型。

[0123] 重复上述步骤，不断优化残差网络的参数，以提高其预测准确性。训练好残差网络后，输入待检测轨迹数据，根据残差网络输出概率结果判断出异常轨迹类型，完成车辆轨迹的异常检测。

[0124] 最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。