[發明專利]基于時空關系的出租車異常軌跡實時檢測方法

有效

• 申請號: 201810321282.3
• 申請日: 2018-04-11
• 公開（公告）號: CN108710637B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 錢詩友;程彬;曹健;薛廣濤;李明祿
• 申請（專利權）人: 上海交通大學
• 主分類號: G06F16/29
• 分類號: G06F16/29;H04W4/02;H04W4/40;G06Q50/26
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 莊文莉

本發明提供了一種基于時空關系的出租車異常軌跡實時檢測方法，包括如下步驟：通過學習訓練數據集中出發點到當前點的直線距離與行駛距離和駕駛時間之間的關系，并建立時空模型；通過時空模型計算出當前點到出發點直線距離所對應的行駛距離和駕駛時間的正常范圍；判斷出租車當前點的行駛距離和駕駛時間是否均超出了正常范圍，如果是，則被判定為異常點。本發明通過學習軌跡中的時空關系來對軌跡進行檢測，更為通用，所需要的軌跡也相對較少，這樣產生的誤報也相對較低；本發明在檢測異常點時，只需要記錄當前的模型的參數即可進行判斷，因此相較于現有技術帶來的時間和內存更低。

技術領域

本發明涉及機器學習的異常檢測技術領域，具體地，涉及一種基于時空關系的出租車異常軌跡實時檢測方法。

背景技術

隨著GPS技術的發展和普及，大量的出租車軌跡記錄被收集和儲存。為了促進出租車服務的標準化以及保護乘客的利益，許多檢測和分析出租車異常軌跡的新方法被提出。然而，大多數現有的方法通常采用基于計數的策略來區分正常軌跡和異常軌跡，這些方法認為正常的軌跡會被大量的歷史軌跡支持，而那些只有很少歷史軌跡支持的軌跡被判定為異常的。通過這種策略來檢測異常軌跡需要大量的歷史軌跡，并且許多正常軌跡也會因為沒有大量歷史軌跡作支持而被誤判定為異常軌跡，因此使用這樣的方法會導致較高的誤報率。

目前沒有發現同本發明類似技術的說明或報道，也尚未收集到國內外類似的資料。

發明內容

針對現有技術中存在的上述不足，本發明的目的是提供一種基于時空關系的出租車異常軌跡實時檢測方法，該方法針對當前出租車異常軌跡檢測算法誤報率較高、所需歷史軌跡多的問題，通過相對少的歷史軌跡就能產生較低的誤報率。

本發明是通過以下技術方案實現的。

一種基于時空關系的出租車異常軌跡實時檢測方法，包括如下步驟：

通過學習訓練數據集中出發點到當前點的直線距離與行駛距離和駕駛時間之間的關系，并建立時空模型；

通過時空模型計算出當前點到出發點直線距離所對應的行駛距離和駕駛時間的正常范圍；

判斷出租車當前點的行駛距離和駕駛時間是否均超出了正常范圍，如果是，則被判定為異常點。

優選地，所述訓練數據集，采用以下方式進行提取：

從軌跡數據庫中提取出經過待測軌跡起點和終點的歷史軌跡集合，并將歷史軌跡集合中行駛距離或者行駛時間小于中位數的軌跡作為正常軌跡集合；

在正常軌跡集合中選擇包含出發時間點以及出發時間點前后一小時以內的軌跡集合；

在所選取出來的軌跡集合的基礎上，提取出每條軌跡中所有點到起點的直線距離、行駛時間以及行駛距離作為訓練數據集。

優選地，建立的時空模型，形式如下：

其中，dd_i、dt_i分別表示訓練數據集中第i個點到起點的行駛距離和行駛時間，ld_i表示訓練數據集中第i個點到起點的直線距離向量，w_d、w_t分別表示函數(1)、(2)中的參數向量，其中，n為參數的個數，∈_d、∈_t分別表示服從正態分布的隨機變量，σ_d、σ_t分別表示上述正態分布中的標準差；