[发明专利]一种基于机器学习的车辆轨迹异常检测方法

权利要求书

1.一种基于机器学习的车辆轨迹异常检测方法，其特征在于包括如下步骤：

步骤1：样本准备，车辆轨迹样本数据初始化：令原始车辆轨迹样本数据为T_i＝{(x_i,j,y_i,j)|j＝1,2,..,m_i}，i＝1,2,...,m，同时对T_i进行标注，得到标注集合Z＝{z_i|i＝1,2,...,m}，其中，(x_i,j,y_i,j)表示第i辆车的轨迹中第j个位置的车辆中心点坐标，m_i表示第i辆车的行驶轨迹坐标点数量，m表示车辆轨迹样本数量，z_i∈{0,1}，z_i＝0表示T_i的轨迹为正常，z_i＝1表示T_i的轨迹为异常；对所有T_i进行规范化处理，得到规范化后的矩阵M_T，向量差矩阵M_V，整合为训练模型输入样本矩阵X，具体步骤为：

步骤1.1：去除原始车辆轨迹样本数据T_i中重复的坐标点，使原始车辆轨迹样本数据T_i中存在的任意两个坐标点不相同；

步骤1.2：进行坐标点数量规范化，具体为：设规范化后的坐标点数量为N，若车辆行驶轨迹坐标点数量m_i大于或等于N，则将原始车辆轨迹样本数据T_i中的前m_i-N个坐标点去除；若车辆行驶轨迹坐标点数量m_i小于N，则将原始车辆轨迹样本数据T_i中第1个坐标点复制N-m_i次并补充到T_i中第1个坐标点的前面，使所有T_i的坐标点个数均为N，记为T_i＝{(x_i,j,y_i,j)|j＝1,2,..,N}；则所有的T_i构成规范化矩阵M_T＝[(x_ij,y_ij)]_m×N，其中，所述_m×N代表矩阵M_T为m行N列矩阵；

步骤1.3：计算坐标点向量差V_i＝{(a_i,j,b_i,j)|j＝1,2,..,N-1}，i＝1,2,...,m，其中，a_i,j＝x_i,j+1-x_i,j,b_i,j＝y_i,j+1-y_i,j；则所有将V＝{V_i|i＝1,2,…,m}构成向量差矩阵M_V＝[(a_ij,b_ij)]_m×N-1；

步骤1.4：构造训练模型输入样本矩阵X＝[BM_TM_V]，其中，B＝[1]_m×1表示偏执单元向量；

步骤2：以X和Z作为输入运用多元逻辑回归的机器学习算法进行训练，得到检测模型θ；

步骤3：利用检测模型θ进行待测车辆轨迹异常检测。

2.根据权利要求1所述的一种基于机器学习的车辆轨迹异常检测方法，其特征在于步骤3中利用检测模型θ进行车辆轨迹异常检测的具体过程如下：采用现有目标跟踪算法得到车辆的轨迹数据T_test，采用步骤1.1-步骤1.4中的方法对T_test进行规范化，得到规范化轨迹数据X_test，并根据式(1)计算异常判断指数p，若p＝1，则判断T_test的轨迹异常；若p＝0，则判断T_test的轨迹正常；异常判断指数p的求值公式如式(1)所示：

其中，S(x)函数为Sigmoid激活函数。