基于GRU-VAE的无监督航迹异常检测方法

针对海量无行为模式标签航迹数据的目标行为异常检测问题,提出一种基于门控循环单元的变分自编码器模型(Gate Recurrent Unit-Variational Autoencoder,GRU-VAE)无监督航迹异常检测方法。该方法通过检测航迹异常发现目标的行为异常,分为模型训练阶段和异常检测阶段两步实施:在模型训练阶段,构建了以GRU和VAE为主要结构元素的基于门控循环单元的变分自编码器模型,利用无异常信息标签的历史航迹数据对GRU-VAE模型进行训练,根据训练集的航迹点重构损失分布情况,采用正态分布法或百分位数法划定置信区间为航迹点重构损失门限;在异常检测阶段,该模型对实时航迹数据集进行检测,将重构损失超出航迹点重构损失门限的航迹点视为异常航迹点,当航迹序列中的异常航迹点占比超出占比阈值时,判定为异常航迹序列,结合数据异常情况向一线人员发送目标的异常行为信息。AIS数据实验结果表明,模型最高F 1分数达86.36%,查全率达95%。本方法对异常航迹的检测具有高灵敏度和低漏警率,可满足战场态势认知需求。