贾瑛

摘要：异常轨迹检测算法通常不能依靠轨迹内外部属性而有效地进行检测，具有较大的应用局限性。针对此类问题，基于BP神经网络提出了一种改进的异常轨迹检测方法。首先对原始轨迹数据去噪，并上传百度云LBS云端储存;其次基于百度地图轨迹数据可视网站进行了数据归一化处理，得到了轨迹的属性值;最后以轨迹内外特征属性代表BP神经网络算法的输入层，以轨迹相似度度量代表输出层，对隐含层系数调整后获得训练模型。研究针对Deolfe项目的两个用户轨迹数据做了仿真实验，用以检测用户异常轨迹数据。结果证明，在选取的最优训练方案基础上，两组数据的异常轨迹检测正确率各达92.3%及100%，所搭建模型能够作为异常轨迹检测的工具。

关键词：轨迹数据集;BP神经网络;百度LBS云服务;轨迹属性;异常轨迹监测

中图分类号：TP3111

文献标志码：A

AbnormalTrajectoryDetectionMethodBasedonBPNeuralNetwork

JIAYing

（

CollegeofMechanicalandElectricalInformation，BaojiVocational&TechnicalCollege，Baoji721013，China

）

Abstract：Existingabnormaltrajectorydetectionalgorithmsusuallycannotrelyontheinternalandexternalattributesofthetrajectoryforeffectivedetection，whichleadstogreatapplicationlimitations.Tosolvetheseproblems，animprovedabnormaltrajectorydetectionmethodbasedonBPneuralnetworkisproposed.Firstly，theoriginaltrajectorydataaredenoisedanduploadedtoBaiduCloudLBSforstorage.Secondly，thedataarenormalizedbasedonBaiduMapTrajectoryDataVisualWebsite，andtheattributevaluesofthetrajectoryareobtained.Finally，theinputlayeroftheBPneuralnetworkalgorithmisrepresentedbythefeatureattributesinsideandoutsidethetrajectory，andtheoutputisrepresentedbythetrajectorysimilaritymeasure.Thetrainingmodelisobtainedbyadjustingthecoefficientsofhiddenlayers.Inthispaper，twosetsofusertrajectorydataofDeolfeprojectaresimulatedtodetectuserabnormaltrajectorydata.Theresultsshowthat，onthebasisoftheoptimaltrainingscheme，theaccuraciesofabnormaltrajectorydetectionofthetwosetsare92.3%and100%，respectively.Themodelcanbeusedasatoolforabnormaltrajectorydetection.

Keywords：trajectorydataset;BPneuralnetwork;BaiduLBSCloudService;trajectoryattributes;abnormaltrajectorymonitoring

0引言

隨着移动通信和无线网络技术、GPS、WiFi、蓝牙室内定位技术的快速发展，及智能设备的广泛应用，人们对移动对象位置和轨迹数据获取也非常方便[12]。同时，随着轨迹数据储存技术的飞速发展，能将大量移动对象位置及轨迹信息储存到时空数据库[36]。就轨迹来说，它所指是带时间标签的位置信息而构成的有序位置序列，且时空信息很丰富，并对轨迹数据的分析及挖掘起着很重要作用[79]。而异常轨迹检测属于轨迹模式挖掘的主要研究课题，并普遍用于智能交通与用户行为分析中。

1异常轨迹监测问题描述