基于BP神经网络的异常轨迹检测方法

贾瑛

摘要：异常轨迹检测算法通常不能依靠轨迹内外部属性而有效地进行检测，具有较大的应用局限性。针对此类问题，基于BP神经网络提出了一种改进的异常轨迹检测方法。首先对原始轨迹数据去噪，并上传百度云LBS云端储存;其次基于百度地图轨迹数据可视网站进行了数据归一化处理，得到了轨迹的属性值;最后以轨迹内外特征属性代表BP神经网络算法的输入层，以轨迹相似度度量代表输出层，对隐含层系数调整后获得训练模型。研究针对Deolfe项目的两个用户轨迹数据做了仿真实验，用以检测用户异常轨迹数据。结果证明，在选取的最优训练方案基础上，两组数据的异常轨迹检测正确率各达92.3%及100%，所搭建模型能够作为异常轨迹检测的工具。

关键词：轨迹数据集;BP神经网络;百度LBS云服务;轨迹属性;异常轨迹监测

中图分类号：TP3111

文献标志码：A

AbnormalTrajectoryDetectionMethodBasedonBPNeuralNetwork

JIAYing

（

CollegeofMechanicalandElectricalInformation，BaojiVocational&TechnicalCollege，Baoji721013，China

）

Abstract：Existingabnormaltrajectorydetectionalgorithmsusuallycannotrelyontheinternalandexternalattributesofthetrajectoryforeffectivedetection，whichleadstogreatapplicationlimitations.Tosolvetheseproblems，animprovedabnormaltrajectorydetectionmethodbasedonBPneuralnetworkisproposed.Firstly，theoriginaltrajectorydataaredenoisedanduploadedtoBaiduCloudLBSforstorage.Secondly，thedataarenormalizedbasedonBaiduMapTrajectoryDataVisualWebsite，andtheattributevaluesofthetrajectoryareobtained.Finally，theinputlayeroftheBPneuralnetworkalgorithmisrepresentedbythefeatureattributesinsideandoutsidethetrajectory，andtheoutputisrepresentedbythetrajectorysimilaritymeasure.Thetrainingmodelisobtainedbyadjustingthecoefficientsofhiddenlayers.Inthispaper，twosetsofusertrajectorydataofDeolfeprojectaresimulatedtodetectuserabnormaltrajectorydata.Theresultsshowthat，onthebasisoftheoptimaltrainingscheme，theaccuraciesofabnormaltrajectorydetectionofthetwosetsare92.3%and100%，respectively.Themodelcanbeusedasatoolforabnormaltrajectorydetection.

Keywords：trajectorydataset;BPneuralnetwork;BaiduLBSCloudService;trajectoryattributes;abnormaltrajectorymonitoring

0引言

隨着移动通信和无线网络技术、GPS、WiFi、蓝牙室内定位技术的快速发展，及智能设备的广泛应用，人们对移动对象位置和轨迹数据获取也非常方便[12]。同时，随着轨迹数据储存技术的飞速发展，能将大量移动对象位置及轨迹信息储存到时空数据库[36]。就轨迹来说，它所指是带时间标签的位置信息而构成的有序位置序列，且时空信息很丰富，并对轨迹数据的分析及挖掘起着很重要作用[79]。而异常轨迹检测属于轨迹模式挖掘的主要研究课题，并普遍用于智能交通与用户行为分析中。

1异常轨迹监测问题描述

目前，对异常轨迹检测的研究主要集中在轨迹空间特征上，极少将轨迹本身属性作为研究基础[1012]。对非线性轨迹属性数据的分类，是检测轨迹数据是否异常的一种可行轨迹分类方法。而BP神经网络具备对非线性数据分类功能，所以文章提出一种基于BP神经网络的异常轨迹检测方法。

1.1传递函数设计

传递函数应用的是非线性函数logsig（），而这一对数S形函数曲线，如图1所示。

其中logsig（x）=[SX（]11+e-x[SX）]，计算出0到1之间的输出。将轨迹划分成两个类别，那么这个函数表示为传递函数0和1的输出，其中0为异常轨迹，1为正产轨迹。

1.2网络结构设计

本文将选用多输入和多隐含的神经元与单输出的BP神经网络。单层BP神经网络结构图[1316]，如图2所示。

其中，BP神经网络输入节点由xi表示，而隐节点由yj表示，

输出节点由Ol表示。wij为输入节点和隐节点网络权值，Tj为隐节点和输出节点间网络权值。

2基于BP神经网络的异常轨迹监测

本文以BP神经网络作为工具训练，从中获取了轨迹异常检测模型，按照轨迹本身四个属性，实现了用户轨迹是否为异常的目标检测，如图3所示。

2.1轨迹属性值提取

2.2轨迹坐标处理

由于轨迹是以经纬度来表示，并且每5秒则会对坐标点采样，所以坐标点间的经纬度值相差极小。为了便于计算，并不丢失轨迹本身的特征，文章运用了将轨迹坐标点直接乘以适当系数的方法，而实验表明这一方法是可行的。具体操作方法为：设置一条轨迹

T（其公式为T={（t1，x1，y1），（t2，x2，y2），…，（tn，xn，yn）}，其中时空三元组（ti，xi，yi）代表轨迹T中的第i个位置点，而ti则为这个位置点的采样时刻，（xi，yi）为ti时刻的GPS坐标（1≤i≤n）），将轨迹集中xi、yi分别乘以系数λ，而这一系数选取取决于实际情况，这样便于计算为原则。在实验中λ=1000，经过处理后的轨迹则为T′={（x′1，y′1），（x′2，y′2），…，（x′n，y′n）}。因此，对轨迹数据集TS处理后的数据集则为TS′。

2.3利用BP神经网络算法训练监测模型

2.3.1基于BP神经网络的异常轨迹监测算法流程

BP神经网络算法是一种基于梯度下降的学习算法。可以将学习过程划分成两个阶段，即信息正向传递、误差反向传播[1719]，如图4所示。

2.3.2基于BP神经网络的异常轨迹检测算法描述

构建一个三层BP神经网络，其指令为：

net=

newff（PR，[S1，S2，…，SN]，[TF1，TF2，…，TFN]，BTF，BLF，PF）

其中，PR为输入向量取值范围，

Si则为第i（i=1，2，…，N）层神经元个数，共计N层;TFi为第i层传递函数;BTF表示为BP神经网络训练函数，BLF表示BP神经网络权值与阀值学习函数;PF表示性能函数，而试验所用最小均方误差（mse）为性能函数。

执行结果为构建一个N层BP神经网络模型。对带分类标签的数据集，先对设计的模型进行现有轨迹训练，得到稳定模型，然后将未知的轨迹放入模型中检测判断是否为异常轨迹。

3实验

在文章中的所提出的算法都是在Matlab2016a环境下实现的，硬件和软件环境为：Intel（R）Core（TM）2Duo3.3GHzCPU，内存为4GB，操作系统为Windows10。

3.1数据集选取

本次实验数据主要源自于GeoLifeGPSTrajectories项目中的某两个用户的轨迹数据集。由于轨迹集所使用的是格林威治时间，所以从23：0000：59、9：0010：59等这一时段转换为北京时间则为7：008：59、17：0018：59，而这一时段正属于上下班高峰期。因此，本文所选用的轨迹数据集为某两个用户2018年9月23日12月23日期间每天这一时段的轨迹数据，共计180条。

3.2试验结果

3.2.1BP神经网络训练及仿真结果

在本次实验中，对第一个用户的90条轨迹属性数据给予分组，根据分组结果不同，提出了五种训练方案。在方案1中，30条轨迹属性数据用于训练，剩余数据用于仿真;在方案2中，40条轨迹属性数据用于训练，剩余数据用于仿真;在方案3中，50条轨迹属性数据用于训练，剩余数据用于仿真;在方案4中，60条轨迹数据属性用于训练，剩余数据用于仿真;在方案5中，70条轨迹属性数据用于训练，剩余数据用于仿真。此外，由这五种方案所生成的精度、召回率、F度量值柱状图，如图5所示。

精度是对精准性的度量，也就是标记为正类的元组或异常轨迹元组的实际正类所占百分比，其表达公式为：

precision=

[SX（]TPTP+FP[SX）]

公式中的TP代表为正确分类的异常轨迹条数，而FP代表的是异常轨迹错误标记的条数。

所谓的召回率则是指对完全性度量，也就是将正元组或是异常轨迹元组标记为正类的百分比，而其表达公式则为：

recall=

[SX（]TPTP+FN[SX）]

公式中的FN代表为将正常轨迹错误标记成异常轨迹的条数。

而F度量所指的是把精度与召回率组合一个度量中，那么其表达公式为：

F=

[SX（]2×precision×recallprecision+recall[SX）]

由图5得知，在这五种方案中只有方案4的性能最好，它的F度量值达到92.3%，所以利用此方案对另一用户的轨迹数据集实行仿真实验，也就是使用另一用户的60条轨迹属性数据用作训练，而剩余数据则用作仿真实验。最终获得此次轨迹检测模型的输出类别与实际类别的對比结果。

3.2.2网络性能分析

采用方案4对另一用户的仿真训练的BP神经网络性能，如图6所示。

通过图6（a）BP神经网络综合性能可以得知，此次实验选用的是三层神经网络，第一次为输入层有4个输入节点，第二次为隐含层有10个隐节点，第三次为输出层有1个输出节点。因此得知实验使用的BP神经网络训练算法为trainoss，而使用的性能函数则为均方误差函数mse，并且这个模型的均方误差mse值为1.31e24，梯度为7.85e24，最大验证失败0次。用时5分9秒共迭代1671次，说明这个

模型非常稳定，而且已经满足精度要求，所以能够作为用户轨迹聚类与异常轨迹检测的模型。由图6（b）得知，最小均方差在10-11时缓慢下降，然而在训练次数达到最大时，将会突然降到10-24，这是因为实验的训练方法为trainoss，它属于快速训练方法，所以在网络性能到达一定精度时将会快速收敛。由图6（c）得知，这种算法将会始终保持平稳梯度下降，且验证失败始终为0次，且训练次数达到足够大时，将会呈直线下降，究其原因则等同于mse突然下降原因。

4总结

文章提供的基于BP神经网络异常轨迹检测方法具有两个阶段。其一，先对轨迹数据收集，然后去除数据噪音并上传到百度云LBS.云端储存，最后设计轨迹显示系统，实现在百度地图上显示轨迹数据集。其二，利用轨迹属性提取算法对轨迹集进行预处理，从中获取轨迹属性向量，如轨迹长度属性、轨迹角度属性、轨迹时长属性、轨迹平均速度等。其次以轨迹特征属性看作BP神经网络算法输入层，以轨迹相似度量作为输出层，然后训练出稳定的异常轨迹检测模型。最后用异常轨迹检测模型判断用户轨迹是否为异常，便于获取异常轨迹数据。

参考文献

[1]

ZhengY.TrajectoryDataMining：AnOverview[J].ACM，2015，6（3）：29.

[2]PrelipceanAC，GidofalviG，SusiloYO.Measuresoftransportmodesegmentationoftrajectories[J].InternationalJournalofGeographicalInformationScience，2016：122.

[3]LüM，ChenL，XuZ，etal.Thediscoveryofpersonallysemanticplacesbasedontrajectorydatamining[J].Neurocomputing，2016，173（3）：11421153.

[4]GiannottiF，NanniM，PedreschiD，etal.Unveilingthecomplexityofhumanmobilitybyqueryingandminingmassivetrajectorydata[J].TheVLDBJournal，2011，20（5）：695.

[5]GuptaM，GaoJ，AggarwalCC.Outlierdetectionfortemporaldata：Asurvey[J].IEEETransactionsonKnowledgeandDataEngineering，2014，25（1）：120.

[6]HuW，LiX，TianG，etal.AnincrementalDPMMbasedmethodfortrajectoryclustering，modeling，andretrieval[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2013，35（5）：10511065.

[7]CaiY，WangH，ChenX，etal.Trajectorybasedanomalousbehaviourdetectionforintelligenttrafficsurveillance[J].IETIntelligentTransportSystems，2015，9（8）：810816.

[8]LaxhammarR，FalkmanG.Onlinelearningandsequentialanomalydetectionintrajectories[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2014，36（6）：11581173.

[9]ShenM，LiuDR，ShannSH.Outlierdetectionfromvehicletrajectoriestodiscoverroamingevents[J].InformationSciences，2015，294（9）：242254.

[10]王嶸冰，徐红艳，李波.BP神经网络隐含层节点数确定方法研究[J].计算机技术与发展，2018（4）：16.

[11]朱燕，李宏伟，樊超.基于聚类的出租车异常轨迹检测[J].计算机工程，2017，43（2）：1620.

[12]闫密巧，王占宏，王志宇.基于Redis的海量轨迹数据存储模型研究[J].微型电脑应用，2017，33（4）：911.

[13]毛嘉莉，金澈清，章志刚.轨迹大数据异常检测：研究进展及系统框架[J].软件学报，2017，28（1）：1734.

[14]俞庆英，李倩，陈传明，等.基于BP神经网络的异常轨迹检测方法研究[J/OL].计算机工程.https：//doi.org/10.19678/j.issn.10003428.0051574

[15]时磊，鲁华栋.基于高斯混合模型的移动目标跟踪[J].微型电脑应用，2017，33（12）：7577.

[16]崔宝才.基于GA改进BP神经网络网络异常检测方法[J].现代电子技术，2016，39（3）：9093.

[17]韩旭.基于车辆轨迹多特征的聚类分析及异常检测方法的研究[D].哈尔滨：哈尔滨工程大学，2014.

[18]鲍苏宁，张磊，杨光.基于核主成分分析的异常轨迹检测方法[J].计算机应用，2014，34（7）：21072110.

[19]龚畅，王华君，李荣，等.利用两阶段遗传算法的机械手最优轨迹控制仿真[J].微型电脑应用，2016，32（4）：1822.

（收稿日期：2019.06.26）