基于深度学习的车辆轨迹重建与异常轨迹识别

车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战。本文构建基于数据增强的LSTM-AE-Attention深度学习模型,进行车辆轨迹重建和异常轨迹识别。首先,使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集,实现数据增强;其次,通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹重建;最后,结合自编码网络预训练和注意力机制构建异常识别模型。采用实际车辆轨迹数据测试,模型的评价指标明显优于支持向量机、随机森林和长短时记忆神经网络模型,重建实验中模型的决定系数为0.968,异常识别实验中模型的F1值较对比模型平均提升9.8%。结果表明,本文提出的模型可有效、可靠地运用于平滑车辆轨迹数据和纠正异常车辆轨迹。

社区治安高危人员异常轨迹识别与预警方法研究

为解决社区治安高危人员异常轨迹难以实时感知、精确识别、及时预警的问题,对社区治安高危人员动态轨迹进行标定,并建立动态轨迹序列化模型,通过序列化模型构建动态行为链;根据静态身份属性与动态轨迹时空特征信息,建立异常轨迹分析模型。结果表明:动态轨迹标定可实现对GPS轨迹数据高效、准确标定;异常轨迹分析模型可实现异常轨迹识别与预警。研究结果适用于社区高危人群管控,可为社区治安防控提供技术支持。

基于改进密度聚类与模式信息挖掘的异常轨迹识别方法

针对社会安全事件中异常行为信息识别挖掘难等问题,提出一种基于改进密度聚类与模式信息挖掘的异常轨迹识别方法。首先,针对采样问题,结合Hausdorff距离思想重新定义一种改进型DTW距离,用于描述轨迹具体行为,而MBR距离下的延伸定义,则用于描述轨迹覆盖区域热度。其次,在CFSFDP算法的密度关联与决策模型下,基于支持向量机回归(SVR,support vector regression)提出了特定支持向量机回归(SSVR,specific support vector regression),利用针对性改良下的回归差异非线性识别类中心,实现类的智能识别。最后,通过2种密度下的类识别,实现更多异常模式信息的挖掘与3种异常轨迹识别。结合上海市与北京市出租车轨迹集进行了仿真实验与数据分析,验证了算法在轨迹聚类异常识别方面的有效性。与传统方法相比,类发现能力提高了10%,异常轨迹信息得以区别与丰富。

基于小波聚类的终端区进场轨迹模式识别

为改善终端区航空器轨迹聚类方法中存在的自动化程度低、无法精确识别异常轨迹的不足,提出基于小波聚类的进场轨迹模式识别方法。首先,建立基于3D空间网格的轨迹相似性矩阵,推导得到轨迹间相似特征子空间,进一步构建轨迹相似特征2D图模型。通过特征图模型的数字化、小波变换与聚类,实现对盛行交通流模式以及异常交通流轨迹的识别。实例分析在无人工指导情况下,从352条进场轨迹中识别出4个类的331条盛行交通流轨迹,以及21条异常轨迹。实验结果证明,该算法克服了目前航空器轨迹聚类领域需要人工确定类数以及难以识别异常轨迹的不足。