【摘要】：隨著Internet、移動通信、空間定位和LBS技術(shù)的發(fā)展,越來越多的車輛軌跡被收集,如何從大量的車輛軌跡中高效檢測出異常軌跡逐漸引起人們的關(guān)注.研究人員提出了許多針對車輛軌跡的異常檢測方案,從采用的算法來劃分,這些方案被分為三類:基于度量的算法、基于統(tǒng)計(jì)的算法和基于監(jiān)督與半監(jiān)督學(xué)習(xí)的算法.三類算法都各自存在不足:第一類的計(jì)算量隨軌跡數(shù)據(jù)量的增長而增長,對異常特征的刻畫不完整;第二類嚴(yán)重依賴歷史數(shù)據(jù),因此沒有辦法解決軌跡稀疏問題;第三類需要大量的人工標(biāo)注.該文提出了一套路網(wǎng)空間下基于馬爾可夫決策過程的異常車輛軌跡檢測算法,該算法總共分為預(yù)處理、離線訓(xùn)練和在線檢測三個(gè)階段.預(yù)處理階段采用了隱馬爾可夫地圖匹配算法作為核心,將原出租車軌跡轉(zhuǎn)化為由路網(wǎng)空間中路段邊序列表示的軌跡集合.離線訓(xùn)練階段采用了馬爾可夫決策過程模型對車輛駕駛行為進(jìn)行建模,深入討論了模型中路段獎(jiǎng)勵(lì)函數(shù)的設(shè)計(jì)規(guī)則,并提出采用無監(jiān)督的貝葉斯反向增強(qiáng)學(xué)習(xí)算法配合蒙特卡洛采樣算法訓(xùn)練歷史車輛軌跡數(shù)據(jù)學(xué)習(xí)得到模型參數(shù).在線檢測階段中,實(shí)時(shí)計(jì)算待檢測的軌跡的異常度,通過用戶指定的異常度閾值判斷該軌跡是否為異常車輛軌跡.最后,在真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),同時(shí)實(shí)現(xiàn)了iBOAT算法和MEX算法,并作為對比算法.正確性實(shí)驗(yàn)中,該算法在NDCG評測指標(biāo)中達(dá)到了99.3%的正確率;在算法的運(yùn)行時(shí)間上,該算法的單條軌跡在線檢測時(shí)間能夠做到僅耗時(shí)0.012ms,較已有算法提升百倍到千倍的效率.在稀疏數(shù)據(jù)下進(jìn)行結(jié)果正確性實(shí)驗(yàn),在對比算法的效果嚴(yán)重受影響的情況下,該算法依然展現(xiàn)出很強(qiáng)的魯棒性.在樣例分析中可以看到通過該算法計(jì)算得到的路段獎(jiǎng)勵(lì)函數(shù)數(shù)值和對真實(shí)駕駛行為的評估高度一致.
[Abstract]:With the development of Internet, mobile communication, space location and LBS technology, more and more vehicle tracks are collected. How to detect abnormal tracks efficiently from a large number of vehicle trajectories has attracted more and more attention. Researchers have proposed a number of anomaly detection schemes for vehicle trajectories, which are divided into three categories: metric based algorithm, statistical based algorithm and supervised and semi-supervised learning algorithm. Each of the three algorithms has its own shortcomings: the first type of computation increases with the increase of the amount of track data, and the characterization of abnormal features is incomplete; the second type is heavily dependent on historical data, so there is no way to solve the problem of sparse trajectory. The third category requires a large number of manual annotations. In this paper, a set of abnormal vehicle trajectory detection algorithms based on Markov decision process in road network space is proposed. The algorithm is divided into three stages: preprocessing, off-line training and on-line detection. In the preprocessing stage, the hidden Markov map matching algorithm is used as the core, and the original taxi track is transformed into the track set represented by the edge sequence in the road network space. In the off-line training stage, the Markov decision process model is used to model the driving behavior of the vehicle, and the design rules of the road section reward function in the model are discussed in depth. An unsupervised Bayesian backstepping learning algorithm combined with Monte Carlo sampling algorithm is proposed to train track data of historical vehicles to obtain model parameters. In the on-line detection phase, the anomaly degree of the track to be detected is calculated in real time, and the abnormal degree threshold specified by the user is used to determine whether the track is an abnormal vehicle trajectory or not. Finally, the experiment is carried out on the real data set, and the iBOAT algorithm and the MEX algorithm are implemented simultaneously, and used as the contrast algorithm. In the correctness experiment, the accuracy rate of the algorithm is 99.3% in the NDCG evaluation index, and in the running time of the algorithm, the online detection time of the single track can only take 0.012 ms, which improves the efficiency by 100 times to 1000 times compared with the existing algorithm. Experiments on the correctness of the results are carried out under sparse data. When the effect of the comparison algorithm is seriously affected, the algorithm still shows strong robustness. In the sample analysis, it can be seen that the value of the road section reward function calculated by the algorithm is highly consistent with the evaluation of the real driving behavior.
【作者單位】： 復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院 上海市數(shù)據(jù)科學(xué)重點(diǎn)實(shí)驗(yàn)室
【基金】：國家自然科學(xué)基金(61772138) 上海市自然科學(xué)基金(14ZR1403100)資助
【分類號】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 毛江云;吳昊;孫未未;;路網(wǎng)空間下基于馬爾可夫決策過程的異常車輛軌跡檢測算法[J];計(jì)算機(jī)學(xué)報(bào);2018年08期

2 金卓軍;錢徽;朱淼良;;基于傾向性分析的軌跡評測技術(shù)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2011年10期

3 楊恒亮;王萌玨;;基于視覺系統(tǒng)自動生成機(jī)器人軌跡的方法[J];精密制造與自動化;2017年03期

4 袁成榮;雙軌跡同時(shí)插補(bǔ)的方法研究[J];機(jī)電一體化;2002年01期

5 郭華;陳園緣;;智能型鋼加工機(jī)器人運(yùn)行軌跡研究[J];科技風(fēng);2017年15期

6 蘇淵博;李霞;;機(jī)器人直線軌跡精度測試設(shè)備設(shè)計(jì)[J];智能機(jī)器人;2017年03期

7 殷浩騰;劉洋;;基于社交屬性的時(shí)空軌跡語義分析[J];中國科學(xué):信息科學(xué);2017年08期

8 張迅;黎偉;周建國;王賽;;基于傳感器的室內(nèi)測試軌跡系統(tǒng)[J];傳感器與微系統(tǒng);2015年06期

9 郭霞;劉鵬飛;段曉妮;;工業(yè)機(jī)器人軌跡銜接方法研究[J];機(jī)床與液壓;2014年09期

10 李萬高;趙雪梅;孫德廠;;基于改進(jìn)貝葉斯方法的軌跡預(yù)測算法研究[J];計(jì)算機(jī)應(yīng)用;2013年07期

相關(guān)會議論文 前10條

1 張家桂;;等M圓軌跡的一個(gè)重要性質(zhì)及其證明[A];1993中國控制與決策學(xué)術(shù)年會論文集[C];1993年

2 劉馨;裴海龍;李堅(jiān)強(qiáng);;基于粒子濾波器的移動機(jī)器人軌跡預(yù)測應(yīng)用[A];第二十七屆中國控制會議論文集[C];2008年

3 湯哲;孫增圻;;雙足機(jī)器人的軌跡生成[A];馬斯特杯2003年中國機(jī)器人大賽及研討會論文集[C];2003年

4 胡凌云;孫增圻;;基于模糊邏輯的雙足軌跡生成算法[A];2004中國機(jī)器人足球比賽暨學(xué)術(shù)研討會論文集[C];2004年

5 葛巧德;;軌跡合成與三角曲線[A];第十三屆全國機(jī)構(gòu)學(xué)學(xué)術(shù)研討會論文集[C];2002年

6 吳曉光;洪峰;谷曉琳;鄧志鵬;計(jì)科峰;;基于表觀特征和軌跡動態(tài)估計(jì)的多目標(biāo)跟蹤[A];第十一屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議�？痆C];2017年

7 董美云;董欣勝;;鏈輪切削軌跡的座標(biāo)計(jì)算[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學(xué)術(shù)年會文集[C];2000年

8 譚躍鋼;朱新忠;;基于軌跡誤差評價(jià)的跟蹤控制系統(tǒng)[A];1998年中國控制會議論文集[C];1998年

9 王慧琛;楊成忠;丁昱;張佃鵬;;噴涂軌跡的空間轉(zhuǎn)換及仿真[A];浙江省電子學(xué)會2014學(xué)術(shù)年會論文集[C];2014年

10 黃小琴;陳力;;考慮未知死區(qū)的雙桿柔性空間機(jī)械臂基于混合軌跡的積分變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)控制[A];第二屆可展開空間結(jié)構(gòu)學(xué)術(shù)會議摘要集[C];2016年

相關(guān)博士學(xué)位論文 前5條

1 董偉;四旋翼飛行機(jī)器人高性能軌跡生成與抗擾追蹤控制技術(shù)研究[D];上海交通大學(xué);2015年

2 趙永生;旋轉(zhuǎn)飛行乒乓球的狀態(tài)估計(jì)和軌跡預(yù)測[D];浙江大學(xué);2017年

3 秦曉輝;基于WAMS的電力系統(tǒng)狀態(tài)估計(jì)及軌跡穩(wěn)定信息提取研究[D];華北電力大學(xué)（北京）;2008年

4 薛雅麗;基于軌跡線性化方法的近空間飛行器魯棒自適應(yīng)控制研究[D];南京航空航天大學(xué);2010年

5 李爭名;基于魯棒判別式約束的字典學(xué)習(xí)算法研究[D];哈爾濱工業(yè)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 趙鵬;基于部分初始軌跡的目的地預(yù)測方法研究[D];哈爾濱工程大學(xué);2017年

2 張旭;基于時(shí)空約束的軌跡聚類方法研究與應(yīng)用[D];重慶郵電大學(xué);2010年

3 畢鵬云;基于軌跡數(shù)據(jù)的人流預(yù)測模型及方法研究[D];大連工業(yè)大學(xué);2014年

4 楊曉曉;高速運(yùn)動物體軌跡預(yù)測的研究[D];北京交通大學(xué);2012年

5 蔣偉;基于特征的軌跡數(shù)據(jù)集化簡研究[D];蘇州大學(xué);2016年

6 康凱;視頻監(jiān)控軌跡數(shù)據(jù)模式學(xué)習(xí)及行為分析[D];北京交通大學(xué);2014年

7 劉濤;基于激光測距的焊接軌跡檢測與控制[D];山東大學(xué);2009年

8 李幸超;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的軌跡位置預(yù)測技術(shù)研究[D];浙江大學(xué);2016年

9 姚明宇;基于人工免疫的軌跡聚類和異常檢測算法研究[D];南京航空航天大學(xué);2012年

10 魏崇;基于信息融合的多傳感器軌跡測量[D];哈爾濱工程大學(xué);2010年

，

本文編號：2258988