CN109766777B - 异常轨迹的检测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开涉及一种异常轨迹的检测方法、装置、存储介质及电子设备，用于解决利用现有技术检测异常轨迹准确率不高的技术问题。该方法包括：将待检测轨迹划分为由多个路段组成的有序路段，其中，有序路段中相邻两个路段的道路类型不同；获取有序路段中每一路段的轨迹特征信息；判断在待检测轨迹的有序路段中以及在基准轨迹的有序路段中，相同位置的两个路段的轨迹特征信息是否相匹配，并记录待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数；若待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数小于预设阈值，则确定待检测轨迹为异常轨迹。

Description

异常轨迹的检测方法、装置、存储介质及电子设备

技术领域

本公开涉及数据挖掘技术领域，具体地，涉及一种异常轨迹的检测方法、装置、存储介质及电子设备。

背景技术

随着可定位智能设备的普及与无线通讯技术的发展，大规模数量的用户位置数据被采集并持久化保存，形成了海量的轨迹数据，如何通过海量的轨迹数据挖掘异常信息已成为数据挖掘技术领域的重要研究课题。在现有技术中，进行异常轨迹检测时，通常将轨迹表示为几个相互独立的全局属性，然后采用基于距离的异常点检测算法进行检测。然而采用上述方法，忽略了轨迹之间的局部差异，导致检测结果的准确率较低。

发明内容

本公开的目的是提供一种异常轨迹的检测方法、装置、存储介质及电子设备，用于解决利用现有技术检测异常轨迹准确率不高的技术问题。

为了实现上述目的，本公开第一方面提供一种异常轨迹的检测方法，所述方法包括：

将待检测轨迹划分为由多个路段组成的有序路段，其中，所述有序路段中相邻两个路段的道路类型不同；

获取所述有序路段中每一路段的轨迹特征信息；

判断在所述待检测轨迹的有序路段中以及在基准轨迹的有序路段中，相同位置的两个路段的轨迹特征信息是否相匹配，并记录所述待检测轨迹的有序路段与所述基准轨迹的有序路段中，轨迹特征信息相匹配的路段数；

若所述待检测轨迹的有序路段与所述基准轨迹的有序路段中，轨迹特征信息相匹配的路段数小于预设阈值，则确定所述待检测轨迹为异常轨迹。

可选地，所述将待检测轨迹划分为由多个路段组成的有序路段，包括：

将所述待检测轨迹预划分为多个路段；

获取每一路段的轨迹数据，所述轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；

针对每一路段，将该路段的轨迹数据输入用于识别道路类型的分类模型，得到该分类模型输出的所述路段的道路类型信息；

合并所述多个路段中所述道路类型信息相同的相邻路段，得到所述有序路段。

可选地，所述方法还包括建立所述分类模型的方法，包括：

获取每一历史轨迹的轨迹数据，所述轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；

标记每一所述历史轨迹的道路类型，得到每一所述历史轨迹的轨迹数据的道路类型标签；

根据具备道路类型标签的所述轨迹数据训练分类模型，以得到用于识别道路类型的目标分类模型。

可选地，所述根据具备道路类型标签的所述轨迹数据训练分类模型，以得到用于识别道路类型的目标分类模型，包括：

将所述轨迹数据分为训练集以及预测集，并将所述训练集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息作为输入训练样本数据，将所述训练集中所述轨迹数据的道路类型标签作为输出训练样本数据，对所述分类模型进行训练；

每训练得到一分类模型，则将所述预测集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息输入该分类模型，输出得到预测道路类型标签；

根据所述预测道路类型标签与所述预测集中轨迹数据的实际道路类型标签之间的符合率，确定所述目标分类模型。

可选地，所述获取所述有序路段中每一路段的轨迹特征信息，包括：

对所述有序路段中每一路段的轨迹数据进行抽稀处理，得到目标轨迹数据；

提取所述目标轨迹数据的轨迹特征信息，所述轨迹特征信息包括所述有序路段中每一路段的起止点、距离、方向以及坡度。

本公开第二方面提供一种异常轨迹的检测装置，所述装置包括：

路段划分模块，用于将待检测轨迹划分为由多个路段组成的有序路段，其中，所述有序路段中相邻两个路段的道路类型不同；

信息获取模块，用于获取所述有序路段中每一路段的轨迹特征信息；

路段匹配模块，用于判断在所述待检测轨迹的有序路段中以及在基准轨迹的有序路段中，相同位置的两个路段的轨迹特征信息是否相匹配，并记录所述待检测轨迹的有序路段与所述基准轨迹的有序路段中，轨迹特征信息相匹配的路段数；

异常轨迹确定模块，用于若所述待检测轨迹的有序路段与所述基准轨迹的有序路段中，轨迹特征信息相匹配的路段数小于预设阈值，则确定所述待检测轨迹为异常轨迹。

可选地，所述路段划分模块包括：

划分子模块，用于将所述待检测轨迹预划分为多个路段；

获取子模块，用于获取每一路段的轨迹数据，所述轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；

识别子模块，针对每一路段，将该路段的轨迹数据输入用于识别道路类型的分类模型，得到该分类模型输出的所述路段的道路类型信息；

合并子模块，用于合并所述多个路段中所述道路类型信息相同的相邻路段，得到所述有序路段。

可选地，所述装置还包括模型建立模块，所述模型建立模块用于：

获取每一历史轨迹的轨迹数据，所述轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；

标记每一所述历史轨迹的道路类型，得到每一所述历史轨迹的轨迹数据的道路类型标签；

根据具备道路类型标签的所述轨迹数据训练分类模型，以得到用于识别道路类型的目标分类模型。

可选地，所述模型建立模块用于：

将所述轨迹数据分为训练集以及预测集，并将所述训练集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息作为输入训练样本数据，将所述训练集中所述轨迹数据的道路类型标签作为输出训练样本数据，对所述分类模型进行训练；

每训练得到一分类模型，则将所述预测集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息输入该分类模型，输出得到预测道路类型标签；

根据所述预测道路类型标签与所述预测集中轨迹数据的实际道路类型标签之间的符合率，确定所述目标分类模型。

可选地，所述信息获取模块包括：

抽稀子模块，用于对所述有序路段中每一路段的轨迹数据进行抽稀处理，得到目标轨迹数据；

提取子模块，用于提取所述目标轨迹数据的轨迹特征信息，所述轨迹特征信息包括所述有序路段中每一路段的起止点、距离、方向以及坡度。

本公开第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面提供的异常轨迹的检测方法的步骤。

本公开第四方面提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面提供的异常轨迹的检测方法的步骤。

在上述技术方案中，通过将待检测轨迹划分为由多个路段组成的有序路段，该有序路段中相邻两个路段的道路类型不同，然后获取有序路段中每一路段的轨迹特征信息，并分析待检测轨迹各路段的轨迹特征信息与基准轨迹相应路段的轨迹特征信息的匹配情况，可以确定待检测轨迹是否为异常轨迹。这样，将待检测轨迹映射为有序路段，并依次对有序路段中每一路段的轨迹特征信息进行匹配分析，保留了轨迹局部特征信息的异常度，可以提升异常轨迹检测的准确率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是本公开实施例提供的一种异常轨迹的检测方法的流程图；

图2是本公开实施例提供的一种异常轨迹的检测方法的流程图；

图3是本公开实施例提供的一种轨迹预划分为多个路段的示意图；

图4是本公开实施例提供的一种异常轨迹的检测装置的框图；

图5是本公开实施例提供的一种异常轨迹的检测装置的框图；

图6是本公开实施例提供的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

轨迹通常是由若干相互联系的静态点组成，并表示为几个相互独立的全局属性，例如轨迹所处位置、轨迹运动方向、轨迹运动速度、轨迹长度等。在现有技术中，轨迹之间的差异程度(距离)可以通过上述属性差值表示，结合基于距离的异常点检测算法可以检测发现异常轨迹。然而采用上述方法，忽略了轨迹之间的局部差异，导致检测结果的准确率较低。

为了解决利用现有技术检测异常轨迹准确率不高的技术问题，本公开实施例提供一种异常轨迹的检测方法，下面结合具体实施例对本公开提供的技术方案进行详细说明。

图1是本公开实施例提供的一种异常轨迹的检测方法的流程图，如图1所示，该方法包括以下步骤：

S11、将待检测轨迹划分为由多个路段组成的有序路段。

道路中心线的空间形状称为线形，线形分为平面线形和纵断线形，进一步平面线形可以包括直线、圆曲线、缓和曲线三种线形，纵断线形表示道路前进方向上坡、下坡的纵向坡度。因此，按照道路线形可以将道路分类为直路、环路、弯曲路、上坡路、下坡路。在步骤S11中，将待检测轨迹划分为多个存在接续关系的有序路段，其中，有序路段中相邻两个路段的道路类型不同。

S12、获取有序路段中每一路段的轨迹特征信息。

示例地，轨迹特征信息包括有序路段中每一路段的起止点、距离、方向以及坡度中的至少一种。其中，起点和终点分别是每一路段的第一个点和最后一个点，距离为每一路段从起点到终点的距离，坡度为每一路段的海拔变化量均值，路段方向可以根据道路类型进行确定，直路路段的方向为轨迹点的方位角均值，环路和弯曲路的方向表示为不处于[0°，360°]且远离[0°，360°]的值，例如某一环路路段方向为-360°，某一弯曲路段方向为720°。

S13、判断在待检测轨迹的有序路段中以及在基准轨迹的有序路段中，相同位置的两个路段的轨迹特征信息是否相匹配，并记录待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数。

其中，基准轨迹可以是用户在出行前所制定的预期路线，也可以是***根据用户设定的起点和终点调用地图规划生成的出行路线。例如在车队管理中，基准轨迹为预先设定的多条行车路线，通过对轨迹进行异常检测以达到避免公车私用的目的；在共享出行服务中，基准轨迹可以为***根据乘客订单起点和终点调用地图所生成的行车路线，通过对司机行车路线进行异常检测，可以及时发现司机行车状态异常，以保证乘客的人身安全。并且，基准轨迹的有序路段和轨迹特征信息可以预先生成并存储，便于后续在规划相同的基准轨迹时，能够直接获取到该基准轨迹的有序路段以及各个有序路段的轨迹特征信息。

具体地，有序路段中的每一路段为基本比较单元，将待检测轨迹的有序路段中的每一路段的轨迹特征信息，分别与基准轨迹的有序路段中相同位置路段的轨迹特征信息进行逐一对比，判断这两个路段的轨迹特征信息是否匹配。

在轨迹特征信息只包括单一特征属性的情况下，若相同位置的两个路段的该项特征属性指标一致，则确定两个路段相匹配；或者预设距离阈值，若相同位置的两个路段之间的距离(不匹配程度)小于该距离阈值，那么这两个路段相互匹配。例如，单一特征属性为路段起止点，则相同位置的两个路段的路段起止点一致时，可以确定这两个路段相匹配。在轨迹特征信息包括多种特征属性的情况下，若相同位置的两个路段具有大于预设数量的特征属性一致，则确定两个路段相匹配；例如，路段的轨迹特征信息具有四种特征属性，分别为路段的起止点、距离、方向以及坡度，若预设数量为三种，则相同位置的两个路段特征属性一致的种类不少于三种时，可以确定这两个路段相匹配。据此，统计并记录待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数。

S14、若待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数小于预设阈值，则确定待检测轨迹为异常轨迹。

定义待检测轨迹以及基准轨迹的相同位置的两个路段相匹配为局部匹配；在待检测轨迹的有序路段中以及在基准轨迹的有序路段中，每一相同位置的两个路段的轨迹特征信息依次局部匹配，则可确定待检测轨迹和基准轨迹全局匹配；若待检测轨迹的有序路段与基准轨迹的有序路段中相匹配的路数小于预设的异常阈值，则可确定待检测轨迹为异常轨迹。

例如，经过步骤S13统计得到的待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数为总路段数量的70％，小于预设阈值为85％，则可确定待检测轨迹为异常轨迹。

采用上述方法，通过将待检测轨迹划分为由多个路段组成的有序路段，该有序路段中相邻两个路段的道路类型不同，然后获取有序路段中每一路段的轨迹特征信息，并分析待检测轨迹各路段的轨迹特征信息与基准轨迹相应路段的轨迹特征信息的匹配情况，可以确定待检测轨迹是否为异常轨迹。这样，将待检测轨迹映射为有序路段，并依次对有序路段中每一路段的轨迹特征信息进行匹配分析，保留了轨迹局部特征信息的异常度，可以提升异常轨迹检测的准确率，使得检测结果更加可靠，扩大了异常轨迹检测技术的应用场景。

图2是本公开实施例提供的一种异常轨迹的检测方法的流程图，如图2所示，该方法包括以下步骤：

S21、将待检测轨迹预划分为多个路段。

示例地，按照预设轨迹长度为单位将待检测轨迹预划分为多个路段，如图3所示，待检测轨迹划分为路段A、路段B、路段C、路段D以及路段E五部分。

在具体实施时，该待检测轨迹可以是车辆当前的行驶轨迹，用于与预先规划好的基准轨迹进行比较，以判断车辆当前的行驶轨迹是否偏离该基准轨迹。在此种情况下，将待检测轨迹划分为多个路段即是指对车辆从开始轨迹记录起到当前时刻之间行驶过的轨迹进行划分。

S22、获取每一路段的轨迹数据。

路段的轨迹数据可以是该路段中各个轨迹点的地理位置数据，例如，车辆在行驶过程中可以按照某一频率采集当前所处位置(轨迹点)的地理位置数据。

具体地，轨迹数据可以包括轨迹点的经纬度、平面特征信息、纵断特征信息。示例地，经纬度数据用于计算路段距离；平面特征信息包括轨迹点的方位角数据，例如方位角均值、方位角标准差或者方位角象限类型等信息，用于表征路段的平面特征，以区分路段类型为直路、环路或弯曲路中的哪种；纵断特征信息包括轨迹点的海拔数据，例如海拔标准差、海拔变化量均值，用于表征路段的纵断特征，以区分路段为上坡还是或下坡路。

可选地，对于每一路段采用抽稀算法对轨迹点进行抽稀，可以保留每一路段的起点、终点以及与上一保留点距离大于或等于长度阈值的轨迹点，相当于将该路段分成了n个子路段，其中，n-1为该路段抽稀处理后起点与终点之间保留的轨迹点数量，并设置大小为n+1个轨迹点的分析窗口，这样，以步长h向后滑动窗口，h小于或等于n+1，依次获取分析窗口内包含的轨迹点的经纬度、平面特征信息、纵断特征信息，即可得到每一路段的轨迹数据。

S23、针对每一路段，将该路段的轨迹数据输入用于识别道路类型的分类模型，得到该分类模型输出的路段的道路类型信息。

在一种可能的实施方式中，用于道路类型分类的分类模型可以通过如下方法建立：获取每一历史轨迹的轨迹数据；标记每一历史轨迹的道路类型，得到每一历史轨迹的轨迹数据的道路类型标签；根据具备道路类型标签的轨迹数据训练分类模型，以得到用于识别道路类型的目标分类模型。

具体地，从历史轨迹中获取不同类型道路的轨迹数据，该轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息，例如轨迹数据为轨迹点的经度、纬度、方位角、海拔等信息。根据道路类型对轨迹数据进行标记，得到每一历史轨迹的轨迹数据的道路类型标签。然后，将轨迹数据分为训练集以及预测集，并将训练集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息作为输入训练样本数据，将训练集中轨迹数据的道路类型标签作为输出训练样本数据，对分类模型进行训练。每训练得到一分类模型，则将预测集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息输入该分类模型，输出得到预测道路类型标签，并根据预测道路类型标签与预测集中轨迹数据的实际道路类型标签之间的符合率，确定目标分类模型。

示例地，可以通过如下方式确定目标分类模型：若本次训练得到的分类模型所输出的预测道路类型标签与预测集中轨迹数据的实际道路类型标签之间的符合率大于预设阈值(例如，预设阈值为95％)，则可以确定本次训练得到的分类模型为目标分类模型；或者比较训练得到的多个分类模型所输出的预测道路类型标签与预测集中轨迹数据的实际道路类型标签之间的符合率，确定其中符合率最高的分类模型为目标分类模型。

可选地，在对分类模型进行训练之前，可以对获取到的历史轨迹数据进行抽稀处理，保留有效数据，以减少不同道路下的轨迹数据量差异对建模的影响，并提升建模效率。具体地，针对一历史轨迹，首先确定长度阈值，并保留该历史轨迹的起点、终点以及中间点，中间点为轨迹中与上一保留点距离不小于长度阈值的轨迹点。例如长度阈值为L/n，保留历史轨迹的起点、终点、与上一保留点距离大于或等于L/n的点，抽稀后的轨迹点为{起点、中间点1、中间点2、…、中间点n-1、终点}，其中，中间点1为距离起点距离大于或等于L/n的点，中间点2为距离起点距离大于或等于L/n的点，依此类推。将抽稀后的轨迹数据作为输入训练样本数据输入分类模型，将该轨迹数据的道路类型标签作为输出训练样本数据，对分类模型进行训练，直至训练得到目标分类模型。

针对图3所示轨迹的所有路段，将各路段的轨迹数据分别输入目标分类模型，通过目标分类模型可以输出得到路段A至路段E的道路类型依次为：直路-直路-直路-环路-弯曲路。

S24、合并多个路段中道路类型信息相同的相邻路段，得到有序路段。

其中，有序路段中相邻两个路段的道路类型不同。经过步骤S23，可知路段A、路段B以及路段C道路类型相同，为直路类型，路段D以及路段E道路类型相同，为非直路类型。那么，合并图3所示的轨迹中道路类型信息相同的相邻路段，得到的有序路段包括，由路段A、路段B以及路段C合并而成的路段I，以及由路段D以及路段E合并而成的路段II。相应地，路段I的轨迹数据包括路段A、路段B以及路段C中非重复数据的合并，路段II的轨迹数据包括路段D以及路段E中非重复数据的合并，这样，图3所示轨迹将被映射为相邻的两个道路类型不同的有序路段：直路-非直路。

S25、对有序路段中每一路段的轨迹数据进行抽稀处理，得到目标轨迹数据。

对有序路段中每一路段的轨迹数据进行抽稀处理的方法，与训练分类模型过程中对历史轨迹数据进行抽稀处理的方法相同，此处不再赘述。

S26、提取目标轨迹数据的轨迹特征信息。

示例地，目标轨迹数据的轨迹特征信息包括有序路段中每一路段的起止点、距离、方向以及坡度。其中，起点和终点分别是有序路段中每一路段的第一个点和最后一个点，距离为每一路段从起点到终点的距离，坡度为每一路段的海拔变化量均值，路段方向可以根据道路类型进行确定。

S27、判断在待检测轨迹的有序路段中以及在基准轨迹的有序路段中，相同位置的两个路段的轨迹特征信息是否相匹配，并记录待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数。

S28、若待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数小于预设阈值，则确定待检测轨迹为异常轨迹。

采用上述方法，通过对待检测轨迹进行路段预划分，并建立用于识别道路类型的分类模型，可以将待检测轨迹识别为多个已知道路类型的路段。进一步地，对路段进行分段、组合得到有序路段，并对轨迹数据进行抽稀处理，可以减少后续轨迹特征信息的处理量，达到提升道路类型识别的效率的目的。另外，依次对有序路段中每一路段的轨迹特征信息进行匹配分析，保留了轨迹局部特征信息的异常度，可以提升异常轨迹检测的准确率，使得检测结果更加可靠，扩大了异常轨迹检测技术的应用场景。

图4是本公开实施例提供的一种异常轨迹的检测装置的框图，该装置400可以通过软件、硬件或者两者结合实现成为电子设备的部分或者全部。参照图4，该装置400包括：

路段划分模块401，用于将待检测轨迹划分为由多个路段组成的有序路段，其中，有序路段中相邻两个路段的道路类型不同；

信息获取模块402，用于获取有序路段中每一路段的轨迹特征信息；

路段匹配模块403，用于判断在待检测轨迹的有序路段中以及在基准轨迹的有序路段中，相同位置的两个路段的轨迹特征信息是否相匹配，并记录待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数；

异常轨迹确定模块404，用于若待检测轨迹的有序路段与基准轨迹的有序路段中，轨迹特征信息相匹配的路段数小于预设阈值，则确定待检测轨迹为异常轨迹。

采用上述装置，通过将待检测轨迹划分为由多个路段组成的有序路段，该有序路段中相邻两个路段的道路类型不同，然后获取有序路段中每一路段的轨迹特征信息，并分析待检测轨迹各路段的轨迹特征信息与基准轨迹相应路段的轨迹特征信息的匹配情况，可以确定待检测轨迹是否为异常轨迹。这样，将待检测轨迹映射为有序路段，并依次对有序路段中每一路段的轨迹特征信息进行匹配分析，保留了轨迹局部特征信息的异常度，可以提升异常轨迹检测的准确率，使得检测结果更加可靠，扩大了异常轨迹检测技术的应用场景。

图5是本公开实施例提供的一种异常轨迹的检测装置的框图，该装置400可以通过软件、硬件或者两者结合实现成为电子设备的部分或者全部。参照图5，异常轨迹的检测装置400还包括模型建立模块405，模型建立模块405用于：获取每一历史轨迹的轨迹数据，轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；标记每一历史轨迹的道路类型，得到每一历史轨迹的轨迹数据的道路类型标签；根据具备道路类型标签的轨迹数据训练分类模型，以得到用于识别道路类型的目标分类模型。

具体地，模型建立模块405用于：将轨迹数据分为训练集以及预测集，并将训练集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息作为输入训练样本数据，将训练集中轨迹数据的道路类型标签作为输出训练样本数据，对分类模型进行训练；每训练得到一分类模型，则将预测集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息输入该分类模型，输出得到预测道路类型标签；根据预测道路类型标签与预测集中轨迹数据的实际道路类型标签之间的符合率，确定目标分类模型。

可选地，路段划分模块401包括：划分子模块，用于将待检测轨迹预划分为多个路段；获取子模块，用于获取每一路段的轨迹数据，轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；识别子模块，针对每一路段，将该路段的轨迹数据输入用于识别道路类型的分类模型，得到该分类模型输出的路段的道路类型信息；合并子模块，用于合并多个路段中道路类型信息相同的相邻路段，得到有序路段。

可选地，信息获取模块402包括：抽稀子模块，用于对有序路段中每一路段的轨迹数据进行抽稀处理，得到目标轨迹数据；提取子模块，用于提取目标轨迹数据的轨迹特征信息，轨迹特征信息包括有序路段中每一路段的起止点、距离、方向以及坡度。

采用上述装置，通过对待检测轨迹进行路段预划分，并建立用于识别道路类型的分类模型，可以将待检测轨迹识别为多个已知道路类型的路段。进一步地，对路段进行分段、组合得到有序路段，并对轨迹数据进行抽稀处理，可以减少后续轨迹特征信息的处理量，达到提升道路类型识别的效率的目的。另外，依次对有序路段中每一路段的轨迹特征信息进行匹配分析，保留了轨迹局部特征信息的异常度，可以提升异常轨迹检测的准确率，使得检测结果更加可靠，扩大了异常轨迹检测技术的应用场景。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图6是本公开实施例提供的一种电子设备600的框图。如图6所示，该电子设备600可以包括：处理器601，存储器602。该电子设备600还可以包括多媒体组件603，输入/输出(I/O)接口604，以及通信组件605中的一者或多者。

其中，处理器601用于控制该电子设备600的整体操作，以完成上述的异常轨迹的检测方法中的全部或部分步骤。存储器602用于存储各种类型的数据以支持在该电子设备600的操作，这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器602可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件603可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器602或通过通信组件605发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口604为处理器601和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件605用于该电子设备600与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件605可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的异常轨迹的检测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的异常轨迹的检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器602，上述程序指令可由电子设备600的处理器601执行以完成上述的异常轨迹的检测方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (8)

1.一种异常轨迹的检测方法，其特征在于，所述方法包括：

将待检测轨迹划分为由多个路段组成的有序路段，其中，所述有序路段中相邻两个路段的道路类型不同，其中，所述道路类型根据道路线形确定；

获取所述有序路段中每一路段的轨迹特征信息；

判断在所述待检测轨迹的有序路段中以及在基准轨迹的有序路段中，相同位置的两个路段的轨迹特征信息是否相匹配，并记录所述待检测轨迹的有序路段与所述基准轨迹的有序路段中，轨迹特征信息相匹配的路段数；

若所述待检测轨迹的有序路段与所述基准轨迹的有序路段中，轨迹特征信息相匹配的路段数小于预设阈值，则确定所述待检测轨迹为异常轨迹；

其中，所述将待检测轨迹划分为由多个路段组成的有序路段，包括：

将所述待检测轨迹预划分为多个路段；

获取每一路段的轨迹数据，所述轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；

针对每一路段，将该路段的轨迹数据输入用于识别道路类型的分类模型，得到该分类模型输出的所述路段的道路类型信息；

合并所述多个路段中所述道路类型信息相同的相邻路段，得到所述有序路段。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括建立所述分类模型的方法，包括：

获取每一历史轨迹的轨迹数据，所述轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；

标记每一所述历史轨迹的道路类型，得到每一所述历史轨迹的轨迹数据的道路类型标签；

根据具备道路类型标签的所述轨迹数据训练分类模型，以得到用于识别道路类型的目标分类模型。

3.根据权利要求2所述的方法，其特征在于，所述根据具备道路类型标签的所述轨迹数据训练分类模型，以得到用于识别道路类型的目标分类模型，包括：

将所述轨迹数据分为训练集以及预测集，并将所述训练集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息作为输入训练样本数据，将所述训练集中所述轨迹数据的道路类型标签作为输出训练样本数据，对所述分类模型进行训练；

每训练得到一分类模型，则将所述预测集中轨迹数据的轨迹点的经纬度、平面特征信息、纵断特征信息输入该分类模型，输出得到预测道路类型标签；

根据所述预测道路类型标签与所述预测集中轨迹数据的实际道路类型标签之间的符合率，确定所述目标分类模型。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取所述有序路段中每一路段的轨迹特征信息，包括：

对所述有序路段中每一路段的轨迹数据进行抽稀处理，得到目标轨迹数据；

提取所述目标轨迹数据的轨迹特征信息，所述轨迹特征信息包括所述有序路段中每一路段的起止点、距离、方向以及坡度。

5.一种异常轨迹的检测装置，其特征在于，所述装置包括：

路段划分模块，用于将待检测轨迹划分为由多个路段组成的有序路段，其中，所述有序路段中相邻两个路段的道路类型不同，其中，所述道路类型根据道路线形确定；

信息获取模块，用于获取所述有序路段中每一路段的轨迹特征信息；

路段匹配模块，用于判断在所述待检测轨迹的有序路段中以及在基准轨迹的有序路段中，相同位置的两个路段的轨迹特征信息是否相匹配，并记录所述待检测轨迹的有序路段与所述基准轨迹的有序路段中，轨迹特征信息相匹配的路段数；

异常轨迹确定模块，用于若所述待检测轨迹的有序路段与所述基准轨迹的有序路段中，轨迹特征信息相匹配的路段数小于预设阈值，则确定所述待检测轨迹为异常轨迹；

其中，所述路段划分模块包括：

划分子模块，用于将所述待检测轨迹预划分为多个路段；

获取子模块，用于获取每一路段的轨迹数据，所述轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；

识别子模块，针对每一路段，将该路段的轨迹数据输入用于识别道路类型的分类模型，得到该分类模型输出的所述路段的道路类型信息；

合并子模块，用于合并所述多个路段中所述道路类型信息相同的相邻路段，得到所述有序路段。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括模型建立模块，所述模型建立模块用于：

获取每一历史轨迹的轨迹数据，所述轨迹数据包括轨迹点的经纬度、平面特征信息、纵断特征信息；

标记每一所述历史轨迹的道路类型，得到每一所述历史轨迹的轨迹数据的道路类型标签；

根据具备道路类型标签的所述轨迹数据训练分类模型，以得到用于识别道路类型的目标分类模型。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。

8.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至4中任一项所述方法的步骤。

Images