黄士琛，邵春福，李娟，张小雨，钱剑培

(北京交通大学，综合交通运输大数据应用技术交通运输行业重点实验室，北京100044)

0 引言

随着空间定位采样技术的发展和移动终端的普及，海量轨迹数据的知识发现成为交通领域的研究热点和趋势。车辆轨迹数据由于更新快、频率高，可以得到居民出行和交通运行状态等重要信息，成为数字交通的建设基石。车辆轨迹理应依附于城市道路网络，然而受到记录故障、定位故障和人工失误操作的影响，轨迹数据呈现出不确定性、稀疏性和偏态分布性等缺点[1]，无法精确依照出行者的出行行为和道路网络进行存储，进而产生异常点段，使其在交通领域的应用受到阻碍。因此，车辆轨迹重建与异常识别研究具有重要意义。

针对GPS轨迹异常识别，CHAWLA[2]根据交通小区的OD 矩阵，分析潜在的异常链路，再依据历史信息识别异常点段。吴玥琳[3]清洗并分析出租车的轨迹特点，从包围面积和相似度角度阐述轨迹特征并用于合乘行为研究。LEI[4]提出MT-MAD 框架，将轨迹按区域分割，根据区域内的轨迹特征分数排序，将分数超过阈值的轨迹视为异常。在轨迹重建方面，SPAGNOL[5]结合GPS 与另一组传感器的数据共同推算和重建移动轨迹。ZHANG[6]使用样条曲线函数拟合船舶的航向轨迹并表明性能优于多项式回归等模型。

本文尝试将对抗生成网络等深度学习方法应用于轨迹重建和异常识别。GOODFELLOW[7]提出基于对抗网络的生成模型(Generative Adversarial Networks，GANs)，模型里生成器和判别器两个神经网络经过反复博弈，使生成器逼近样本实际分布。……