CN113658423A - 基于循环门控单元的车辆轨迹异常检测方法 - Google Patents

Abstract

一种基于循环门控单元的车辆轨迹异常检测方法，主要包括轨迹预测和异常检测两个主要模块，其中轨迹预测模块应用S_GRU模型搭建，S_GRU模型是使用GRU和注意力机制结合而成，其优点是可以降低不平衡数据的影响，避免数据偏移，从而提高轨迹预测的精确度；异常检测模块由双层门控循环单元构成，两层单元分别使用S_GRU和GRU，第一层的隐藏值h作为第二层GRU的输入值。双层GRU异常轨迹检测模块有助于捕捉深层次的时序特征，从而有效的识别数值异常和业务异常。GRU_ATD模型结合轨迹预测模块和异常轨迹检测模块，进行无监督异常检测，并且有助于检测新型异常，提高了异常检测的精准度和可扩展性。

Description

基于循环门控单元的车辆轨迹异常检测方法

技术领域

本发明涉及车辆轨迹检测技术领域，具体地说，涉及一种基于循环门控单元的车辆轨迹异常检测方法。

背景技术

在车辆运输过程中，车辆会根据不同踣况调整行车路线，因此，需对车辆行驶的轨迹进行检测，以掌握行车路线的轨迹异常情况，对车辆行驶路线进行预测。

目前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，不利于对车辆轨迹进行检测。

发明内容

本发明的目的在于提供一种提高轨迹预测的精确度，以便于有效的识别数值异常和业务异常，结合轨迹预测模块和异常轨迹检测模块，进行无监督异常检测，解决了识别业务异常必须使用有监督学习的问题，并且有助于检测新型异常，提高了异常检测的精准度和可扩展性和基于循环门控单元的车辆轨迹异常检测方法。

本发明公开的技术方案是:

对于轨迹数据，我们先作如下说明：

1、数据描述

轨迹数据集中包含多辆车的多条轨迹，假设所有车辆轨迹数据集 CTD＝{CT₁,CT₂…CT_j…CT_n}，j＝0,1,...n。CT为某辆车的轨迹数据集合，可以表示为：CT＝{T₁,T₂…T_i…T_m}，i＝0,1,...m。轨迹T_j包含车辆行驶的相关特征，表示为：T_i＝(c_i1,c_i2,v_i,ts_i,w_i,t_i,a_i…)。轨迹集CT是时间序列数据，按时间先后顺序排列。

轨迹T_i可以包含地理位置、速度、时间间隔、载重、当前时间、加速度等相关特征。

(1)地理位置(c_i1,c_i2)：c_i1,c_i2分别表示车辆所在的经度和维度。地理位置标志着车辆在运动空间内的位置移动情况。

(2)速度v_i：速度指的是在某个时刻车辆的行驶速度，一般是使用GPS等设备采集。

(3)时间间隔ts_i：表明车辆从上一个轨迹点T_i-1到当前轨迹点T_i的行驶时间长。

(4)载重w_i：表示车辆所载重量。比如路上货车的载重量是判断异常的指标之一；出租车是否载人也有助于判断出租车轨迹是否异常。

(5)当前时间t_i：表示车辆行驶的当前时间。

(6)加速度a_i：车辆在两个轨迹点之间的加速度，可以通过公式a＝(v_i-v_i-1)/t 计算得来。

2、问题描述

本发明采用算法的目的是识别轨迹中异常的轨迹点，异常轨迹点包括数值异常和业务异常两类。相关定义如下：

(1)数值异常

数值异常(Data Anomaly：DA)也可称为线性异常，指与正常轨迹的距离超过某个阈值的异常轨迹点。可如下定义：

||T_n-T_a||≥Av (1)

上式中，假设T_n为正常轨迹，Av是设定的阈值，||·||表是距离度量，可以欧式距离或者Hausdorff等距离度量方式。如果两条轨迹满足式(1)，则T_a为数值异常轨迹。

(2)业务异常

业务异常(Business Anomaly：BA)也可称为非线性异常，指正常轨迹和异常轨迹经过某个非线性函数映射为指定值，例如1或者0。文中设置1为异常值，而0为正常值。于是，业务异常可定义如下：

F(T_a)＝1，F(T_n)＝0 (2)

上式中，F为非线性函数，T_n为正常轨迹，如果满足式(2)，则T_a为业务异常轨迹。

假设车辆轨迹T＝(时间，速度，载重)，图1假设载重不变，在第30分钟时，速度从100变化为110，轨迹变化正常，但是速度如果变为140则可能超过异常阈值成为数值异常。图2中，假设车辆速度不变，载重在5分钟内从30 吨转化为20吨，该曲线中轨迹点T₅和T₆的欧式距离与正常数据曲线中T₅和T₆欧氏距离的值相同，但是图2属于业务异常，因为5分钟内，车子的载重不可能变化太大。

3、数据处理

为了加快算法运行速度，提升模型精度，对数据进行归一化和平滑处理。

(1)对速度、时间间隔、载重、加速度等数值型数据进行归一化处理，归一化处理公式如下：

(2)经纬度取小数点后四位，由于全国的经度范围在[70,140]，纬度范围在 [18,60]，考虑到算法的扩展性，经纬度在归一化处理时，最大值最小值按照全国经纬度范围选取。

(3)当前时间主要考虑一天中不同时段车辆轨迹的影响，将一天24小时分为6个时段，从0时开始，每4个小时一个时段，使用hot编码形式。例如，第1时段的编码为[1,0,0,0,0,0]。

(4)本异常检测模型是无监督模型，所有数据都是无标签数据，不能确认哪个轨迹点是异常轨迹。然而在训练LSTM时，希望所有轨迹点都是正常轨迹，为降低异常轨迹点的影响，可以对数据进行平滑，特征“当前时间”不进行平滑，假设轨迹点Ts_i是T_i经过平滑之后的轨迹点，平滑的公式如下：

(5)在训练模型时，需要使用相邻轨迹点的相似度，模型中使用欧式距离作为距离度量方式，假设L_t为在t时刻与t-1时刻的轨迹点之间的相似度，q是轨迹点x的特征数，计算公式如下。

为了便于计算，需将相似度映射到[0,1]之间，可以使用式(6)的映射函数：

由上式可知，L_t越大，则s_t越小，即相似度L_t越大，则对结果输出的影响越小。

基于上述原理，本发明一种基于循环门控单元的车辆轨迹异常检测方法，包括如下步骤：

(1)S_GRU单元设置步骤：在GRU的重置门和更新门前端输入当前时刻的轨迹点与上一时刻的轨迹点的相似度s_t，通过s_t对轨迹点的相似度的优化得到门控循环单元模型S_GRU；

(2)s_t设定策略：设定L_t为在t时刻与t-1时刻的轨迹点之间的相似度，q 是轨迹点x的特征数，L_t计算公式为：

将相似度映射到[0,1]之间，使用L_t的映射函数得到：

(3)重置门计算策略：重置门r_t控制前一状态有多少信息被写入到当前的候选集

上，重置门越小，前一状态的信息被写入的越少，重置门计算公式为：

r_t＝σ(W_r·[h_t-1,x_t]+η_r*s_t)

式中，η_r是的权重，该参数是一个超参，设定为[0,1]，表示对重置门或更新门的影响程度；

(3)更新门计算策略：更新门z_t用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多，更新门计算公式为：

z_t＝σ(W_z·[h_t-1,x_t]+η_z*s_t)

式中，η_z是的权重，该参数是一个超参，设定为[0,1]，表示对重置门或更新门的影响程度；

(5)轨迹预测模块设置步骤：将多个S_GRU单元串接后接入全连接层FC 构成轨迹预测模块，轨迹序列T＝(T₁,T₂,...T_p-1)作为轨迹预测模块的输入值，全连接层FC为轨迹预测模块输出端，输出轨迹点；全连接层FC使用多个σ激励函数，计算公式为：

(6)异常检测模块设置步骤：采用双层门控循环单元，在第一层使用 S_GRU，第二层使用GRU，将第一层的隐藏值h作为第二层GRU的输入值，第一层处理数值异常，第二层更深层次的抽取轨迹数据的特征，进而处理业务异常，提高异常判断的精确度；最后一个GRU单元连接逻辑回归函数LR；轨迹序列

作为第一个GRU单元的输入端，逻辑回归函数LR输出为异常检测模块的输出端，输出是否是异常值；

(7)轨迹预测模块与异常检测模块连接步骤：将轨迹预测模块输出端接到轨迹预测模块，运行轨迹预测模块求出序列T的预测值

将轨迹序列

作为异常检测模块的输入值；

(8)异常检测模块的输出端输出判断策略：通过运行轨迹预测模块求出序列T的预测值

将轨迹序列

作为异常检测模块的输入值；如果

则

与真实值具有一定的距离，是属于异常轨迹点，异常检测模块的最终输出值是1；如果

则预测值与真实值相近，已经达到预测目的，

是正常轨迹点，因此异常检测模块的最终输出值是0；其中：ε是超参数，可以设定为0.001；Ts_p是预测轨迹点的真实值，p为选取的序列长。

本发明的有益效果是：采用轨迹预测和异常检测两个主要模块；首先使用 GRU和注意力机制形成轨迹预测的S_GRU模型，S_GRU模型可以降低冗余数据的影响，提高轨迹预测的精确度；然后将预测的轨迹作为输入数据，构建双层GRU异常轨迹预测模型，以便于有效的识别数值异常和业务异常；GRU_ATD模型结合轨迹预测模块和异常轨迹检测模块，进行无监督异常检测，解决了识别业务异常必须使用有监督学习的问题，并且有助于检测新型异常，提高了异常检测的精准度和可扩展性。

附图说明

图1是正常数据和数值异常的示图。

图2是业务异常示图。

图3是本发明S_GRU模型结构图。

图4是本发明异常检测模型训练结构图。

图5是所有公式中所用到的符号说明

具体实施方式

下面结合具体实施例和说明书附图对本发明做进一步阐述和说明:

请参考图3、4，本发明采用的门控循环单元模型如下：

异常检测模型主要应用训练门控循环单元(GRU:Gated Recurrent Unit) 预测轨迹点，GRU是长短记忆模型(LSMT)的一种变体，GRU模型将遗LSMT模型中遗忘门和输入门统一为更新门，状态h和细胞状态C也合并，最终模型比标准LSMT更简单，需要训练的参数更少，速度更快。

车辆行驶的轨迹数据大多是使用GPS收集数据，GPS按照秒或分收集数据，数据集中相邻的轨迹点相似度较大，过多相似的数据分散了模型的注意力，降低预测精度。因此，为了提高算法的有效性，本发明结合轨迹点的相似度优化门控循环单元模型S_GRU，即：在GRU的重置门和更新门前端输入当前时刻的轨迹点与上一时刻的轨迹点的相似度s_t，通过s_t对轨迹点的相似度的优化得到门控循环单元模型S_GRU，S_GRU的模型结构图如图3所示。

本发明的S_GRU模型可以表述为y_t+p＝S_GRU(x_t,s_t,x_t+1,s_t+1...x_t+p-1,s_t+p-1)，p为一个预测期输入的轨迹点数量，y_t+p是需要预测的轨迹点。S_GRU模型的前向传播公式如下所示，其中[]表示两个向量相连，*表示矩阵的乘积。

(1)重置门。重置门r_t控制前一状态有多少信息被写入到当前的候选集

上，重置门越小，前一状态的信息被写入的越少，重置门计算公式为：

r_t＝σ(W_r·[h_t-1,x_t]+η*s_t) (7)

式中，η是的权重，该参数是一个超参，设定为[0,1]，表示对重置门或更新门的影响程度，h_t-1表示前一时刻的状态值，t＝1时，h_t-1一般初始为0。x_t表示当前时刻的输入值，W_r是重置门需要训练的权重，σ是激励函数，表达式如下：

(1)更新门。更新门z_t用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多，更新门计算公式为：

z_t＝σ(W_z·[h_t-1,x_t]+η*s_t) (9)

式中，η是的权重，该参数是一个超参，设定为[0,1]，表示对重置门或更新门的影响程度，h_t-1表示前一时刻的状态值，x_t表示当前时刻的输入值，W_z是重置门需要训练的权重，σ是激励函数，同式(8)。s_t表示当前时刻的轨迹点与上一时刻的轨迹点的相似度，s_t值越小，则前一时刻的状态信息被带入的越少。

(3)状态输出。表示当前时刻的状态输出值，该输出值将会作为t+1时刻的输入值。

上式中，r_t，z_t分别是式(7)和式(9)的输出值，W是需求训练的参数， tanh函数是双曲正切函数，表达式如式(12)所示。

(4)输出门。输出门表示模型经过一个预测期之后，最终预测的结果。在本异常检测模型中，轨迹预测模块是在S_GRU之后接一个全连接层FC，FC是使用多个σ激励函数，该函数见公式(8)，最终输出是轨迹点。异常轨迹检测模块是双层GRU之后接一个逻辑回归函数LR，LR函数计算方式同公式(8)，该模块最终输出的是否是异常值。两个模块主要都是使用激励函数σ，只是输出维度不同。

y_t＝σ(W_o·h_t)

上式中，h_t表示当前时刻的状态值，W_o是输出门需要训练的权重。

本发明的异常检测模型原理为：

异常轨迹点分为数值异常和业务异常，在大多数无监督异常检测算法中都是检测出数值异常点，而业务异常点都是使用有监督异常检测，比如使用神经网络、支持向量机等方法。有监督异常检测方法的缺陷在于扩展性较差，只能识别标签的异常数据，另外车辆轨迹数据较多而且形式多变，有标签的轨迹数据较少。为解决上述问题，我们提出基于GRU的无监督异常轨迹检测算法 GRU_ATD。算法中的异常检测模块使用的是双层门控循环单元，在第一层使用 S_GRU，第二层使用GRU，将第一层的隐藏值h作为第二层GRU的输入值，第一层处理数值异常，第二层可以更深层次的抽取轨迹数据的特征，进而处理业务异常，有助于提高异常判断的精确度。

基于GRU的异常检测模型的基本思路如下：首先对数据进行预处理、平滑处理，然后构建基于S_GRU的轨迹预测模块，该模块是由将S_GRU和一个全连接层FC组成，轨迹序列T＝(T₁,T₂,...T_p-1)作为轨迹预测模块的输入值，Ts_p是预测轨迹点的真实值，p为选取的序列长，W是模型的权重，初始化时随机选取，运行轨迹预测模块可以求出序列T的预测值

然后构建基于双层GRU的异常检测模块，该模块是由S_GRU、GRU和逻辑回归LR组成，将轨迹序列

作为异常检测模块的输入值，如果

则

与真实值具有一定的距离，是属于异常轨迹点，异常检测模块的最终输出值是1，ε是超参数，可以设定为0.001。如果

则预测值与真实值相近，已经达到预测目的，

是正常轨迹点，因此异常检测模块的最终输出值是0。

将轨迹预测模块输出端接到轨迹预测模块，运行轨迹预测模块求出序列T 的预测值

将轨迹序列

作为异常检测模块的输入值；基于 GRU的异常检测模型训练结构图如图4所示。

异常检测模块的输出端输出判断策略：通过运行轨迹预测模块求出序列T 的预测值

将轨迹序列

作为异常检测模块的输入值；如果

则

与真实值具有一定的距离，是属于异常轨迹点，异常检测模块的最终输出值是1；如果

则预测值与真实值相近，已经达到预测目的，

是正常轨迹点，因此异常检测模块的最终输出值是0；其中：ε是超参数，可以设定为0.001；Ts_p是预测轨迹点的真实值，p为选取的序列长。

本发明采用的一个实施例如下：

GRU_ATD算法训练过程的伪代码如下，只是描述算法的整体思路过程。

GRU_ATD算法训练完成之后，在实时检测异常轨迹时，只需要应用异常检测模块进行轨迹检测，检测的过程如下：

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (1)

1.一种基于循环门控单元的车辆轨迹异常检测方法，其特征在于：包括如下步骤：

(1)S_GRU单元设置步骤：在GRU的重置门和更新门前端输入当前时刻的轨迹点与上一时刻的轨迹点的相似度s_t，通过结合s_t和GRU得到优化之后的门控循环单元模型S_GRU；

(2)s_t设定策略：设定L_t为在t时刻与t-1时刻的轨迹点之间的相似度，q是轨迹点x的特征数，L_t计算公式为：

将相似度映射到[0,1]之间，使用L_t的映射函数得到：

(3)重置门计算策略：重置门r_t控制前一状态有多少信息被写入到当前的候选集

上，重置门越小，前一状态的信息被写入的越少，重置门计算公式为：

r_t＝σ(W_r·[h_t-1,x_t]+η_r*s_t)

式中，η_r是的权重，该参数是一个超参，设定为[0,1]，表示对重置门或更新门的影响程度；

(4)更新门计算策略：更新门z_t用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多，更新门计算公式为：

z_t＝σ(W_z·[h_t-1,x_t]+η_z*s_t)

式中，η_z是的权重，该参数是一个超参，设定为[0,1]，表示对重置门或更新门的影响程度；

(5)轨迹预测模块设置步骤：将多个S_GRU单元串接后接入全连接层FC构成轨迹预测模块，轨迹序列T＝(T₁,T₂,...T_p-1)作为轨迹预测模块的输入值，全连接层FC为轨迹预测模块输出端，输出轨迹点；全连接层FC使用多个σ激励函数，计算公式为：

(6)异常检测模块设置步骤：采用双层门控循环单元，在第一层使用S_GRU，第二层使用GRU，将第一层的隐藏值h作为第二层GRU的输入值，第一层处理数值异常，第二层更深层次的抽取轨迹数据的特征，进而处理业务异常，提高异常判断的精确度；最后一个GRU单元连接逻辑回归函数LR；轨迹序列

作为第一个GRU单元的输入端，逻辑回归函数LR输出为异常检测模块的输出端，输出是否是异常值；

(7)轨迹预测模块与异常检测模块连接步骤：将轨迹预测模块输出端接到轨迹预测模块，运行轨迹预测模块求出序列T的预测值

将轨迹序列

作为异常检测模块的输入值；

(8)异常检测模块的输出端输出判断策略：通过运行轨迹预测模块求出序列T的预测值

将轨迹序列

作为异常检测模块的输入值；如果

则

与真实值具有一定的距离，是属于异常轨迹点，异常检测模块的最终输出值是1；如果

则预测值与真实值相近，已经达到预测目的，

是正常轨迹点，因此异常检测模块的最终输出值是0；其中：ε是超参数，可以设定为0.001；Ts_p是预测轨迹点的真实值，p为选取的序列长。

Images