智能交通系统车辆轨迹增量式建模与在线异常检测方法

摘要

本发明提出的是一种智能交通系统车辆轨迹异常检测方法。本发明在提取了车辆的轨迹之后才进行的异常检测，对环境的要求更低，其适用性更好。在车辆轨迹的建模过程中由于初始轨迹中存在异常或者轨迹集太小，建立的轨迹模型库不准备，本发明在建模的过程中采用了增量式建模的方法，得到的轨迹模型库比较准确。本发明的异常检测结果与以往的批处理相比具有更高的检测率，更低的虚警率。满足实际应用的需要。

主权项

1.一种车辆轨迹增量式建模与在线异常检测方法，所述方法包括以下步骤：a、轨迹分类：首先利用hausdorff距离测量初始轨迹集中的所有轨迹之间的距离，然后求轨迹之间的轨迹相似度，如果给定L条轨迹，我们可以得到一个L×L的相似性矩阵S=[s_mn]_L×L，利用谱聚类的方法将L条轨迹分成K类；b、初始化轨迹模型库：给定K个轨迹类，利用每一类包含的样本轨迹，建立每类的HMM模型，模型结构为自左到右且无跳转类型，每个HMM包含Q个状态转移节点，每个状态转移节点的输出概率密度函数为高斯混合函数；c、轨迹类阈值设定：初始化轨迹模型库之后，我们利用轨迹模型库和初始轨迹集来计算每一个轨迹类的阈值LLT，如下所示：$\mathrm{LL}=\frac{1}{\left|K_i\right|}\underset{k\in K_i}{\Sigma }\log P(T_k/{\theta }_{\mathrm{Bi}})$LLT=β×LLd、增量式更新模型结构：获得了每一个轨迹模式下的轨迹模型之后，根据待测试轨迹与各模型之间的拟合程度来判断其是否为异常轨迹序列，同时，如果判断其为正常轨迹，我们对其进行识别，并用新得到的观测序列更新识别的模型类的HMM参数；增量式EM的基本思想是：当新的事件发生时，我们更新HMM参数的充分统计量，具体到本专利就是给一个新轨迹T，找到其轨迹类别k，利用T更新类别k的充分统计量S^k＝{Γ^k，Ξ^k}以及HMM参数，Γ^k是γ^k的累积概率，用来估计观测概率和初始概率，更新规则如下所示：${\Gamma }_{\mathrm{new}}^k\leftarrow {\alpha }_1{\Gamma }_{\mathrm{old}}^k+{\gamma }^k$其中，α₁表示遗忘因子。Ξ^k是ξ^k的累积概率，用来估计状态转移概率，更新规则同Γ^k；e、异常检测：当一个轨迹不能很好的满足正常轨迹模型时，我们考虑它为异常轨迹，为了获得鲁棒性较高的异常检测结果，我们采用智能阈值的方法进行异常检测：当判断轨迹T是正常轨迹时，我们识别轨迹T的轨迹类为k^·，用incremental EM算法来更新轨迹类k^*的充分统计量S和参数，根据权重的意义，我们需要进一步调整轨迹类k^*的权重，调整方法如下：$w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{new}\right]}=w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{old}\right]}+{\alpha }_2(1-w_{{\mathrm{nk}}^{*}}^{\left[\mathrm{old}\right]})$f、由于聚类算法本身的局限以及异常轨迹的影响，我们需要更新模型结构：对于Mn中的某一个轨迹类k，在新轨迹的异常检测以及识别过程中如果只有很少的轨迹被识别为类别k，k的权重w_nk会逐渐的减小；当w_nk小于阈值Th_w1时，则认为轨迹类k表示的是异常轨迹，合并这个类到Ma中。