秦胜君　李婷

摘  要：针对现有异常轨迹检测方法没有捕捉轨迹数据时序特征，不能有效识别业务异常和新型异常等问题，提出基于长短记忆模型的异常轨迹挖掘模型.首先通过优化长短记忆模型进行轨迹预测，然后基于进化理论将预测轨迹转化为异常轨迹，从而构建了基于长短记忆模型的异常判别模型.该模型可以有效地识别业务异常和新型异常，提高了异常检测的精准度和可扩展性，同时适用于无标签数据，解决了传统神经网络必须应用于有监督学习的问题.最后通过与改进的密度聚类算法和马尔科夫过程的对比实验验证了该模型在交通轨迹异常检测的优越性.

关键词：长短记忆模型;异常轨迹;交通大数据;深度学习

中图分类号：TP273;U491  DOI：10.16375/j.cnki.cn45-1395/t.2021.02.010

0引言

随着传感器网络和无线通信等新兴技术的不断发展，越来越多的轨迹数据被收集和保存，轨迹数据挖掘有助于找出移动对象隐藏的模式信息或行为意图[1].异常轨迹数据挖掘是指识别隐藏在正常轨迹数据中的异常轨迹.异常轨迹不同于噪声点，噪声点会干扰挖掘工作，降低结果的有效性，而异常轨迹可能预示着有趣事件的发生，比如公共安全中的突发事件、交通事故、高速逃费行为等，从而具有更高的研究价值[2].

根据实现方法的不同，异常轨迹检测方法可以分为4类：基于聚类的检测方法、基于网格的检测方法、 基于分类的检测方法、基于统计學的检测方法.

基于聚类……