基于BP神經網絡的異常軌跡檢測方法

賈瑛

摘要：異常軌跡檢測算法通常不能依靠軌跡內外部屬性而有效地進行檢測，具有較大的應用局限性。針對此類問題，基于BP神經網絡提出了一種改進的異常軌跡檢測方法。首先對原始軌跡數據去噪，并上傳百度云LBS云端儲存;其次基于百度地圖軌跡數據可視網站進行了數據歸一化處理，得到了軌跡的屬性值;最后以軌跡內外特征屬性代表BP神經網絡算法的輸入層，以軌跡相似度度量代表輸出層，對隱含層系數調整后獲得訓練模型。研究針對Deolfe項目的兩個用戶軌跡數據做了仿真實驗，用以檢測用戶異常軌跡數據。結果證明，在選取的最優(yōu)訓練方案基礎上，兩組數據的異常軌跡檢測正確率各達92.3%及100%，所搭建模型能夠作為異常軌跡檢測的工具。

關鍵詞：軌跡數據集;BP神經網絡;百度LBS云服務;軌跡屬性;異常軌跡監(jiān)測

中圖分類號：TP3111

文獻標志碼：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

隨著移動通信和無線網絡技術、GPS、WiFi、藍牙室內定位技術的快速發(fā)展，及智能設備的廣泛應用，人們對移動對象位置和軌跡數據獲取也非常方便[12]。同時，隨著軌跡數據儲存技術的飛速發(fā)展，能將大量移動對象位置及軌跡信息儲存到時空數據庫[36]。就軌跡來說，它所指是帶時間標簽的位置信息而構成的有序位置序列，且時空信息很豐富，并對軌跡數據的分析及挖掘起著很重要作用[79]。而異常軌跡檢測屬于軌跡模式挖掘的主要研究課題，并普遍用于智能交通與用戶行為分析中。

1異常軌跡監(jiān)測問題描述

目前，對異常軌跡檢測的研究主要集中在軌跡空間特征上，極少將軌跡本身屬性作為研究基礎[1012]。對非線性軌跡屬性數據的分類，是檢測軌跡數據是否異常的一種可行軌跡分類方法。而BP神經網絡具備對非線性數據分類功能，所以文章提出一種基于BP神經網絡的異常軌跡檢測方法。

1.1傳遞函數設計

傳遞函數應用的是非線性函數logsig（），而這一對數S形函數曲線，如圖1所示。

其中l(wèi)ogsig（x）=[SX（]11+e-x[SX）]，計算出0到1之間的輸出。將軌跡劃分成兩個類別，那么這個函數表示為傳遞函數0和1的輸出，其中0為異常軌跡，1為正產軌跡。

1.2網絡結構設計

本文將選用多輸入和多隱含的神經元與單輸出的BP神經網絡。單層BP神經網絡結構圖[1316]，如圖2所示。

其中，BP神經網絡輸入節(jié)點由xi表示，而隱節(jié)點由yj表示，

輸出節(jié)點由Ol表示。wij為輸入節(jié)點和隱節(jié)點網絡權值，Tj為隱節(jié)點和輸出節(jié)點間網絡權值。

2基于BP神經網絡的異常軌跡監(jiān)測

本文以BP神經網絡作為工具訓練，從中獲取了軌跡異常檢測模型，按照軌跡本身四個屬性，實現了用戶軌跡是否為異常的目標檢測，如圖3所示。

2.1軌跡屬性值提取

2.2軌跡坐標處理

由于軌跡是以經緯度來表示，并且每5秒則會對坐標點采樣，所以坐標點間的經緯度值相差極小。為了便于計算，并不丟失軌跡本身的特征，文章運用了將軌跡坐標點直接乘以適當系數的方法，而實驗表明這一方法是可行的。具體操作方法為：設置一條軌跡

T（其公式為T={（t1，x1，y1），（t2，x2，y2），…，（tn，xn，yn）}，其中時空三元組（ti，xi，yi）代表軌跡T中的第i個位置點，而ti則為這個位置點的采樣時刻，（xi，yi）為ti時刻的GPS坐標（1≤i≤n）），將軌跡集中xi、yi分別乘以系數λ，而這一系數選取取決于實際情況，這樣便于計算為原則。在實驗中λ=1000，經過處理后的軌跡則為T′={（x′1，y′1），（x′2，y′2），…，（x′n，y′n）}。因此，對軌跡數據集TS處理后的數據集則為TS′。

2.3利用BP神經網絡算法訓練監(jiān)測模型

2.3.1基于BP神經網絡的異常軌跡監(jiān)測算法流程

BP神經網絡算法是一種基于梯度下降的學習算法?？梢詫W習過程劃分成兩個階段，即信息正向傳遞、誤差反向傳播[1719]，如圖4所示。

2.3.2基于BP神經網絡的異常軌跡檢測算法描述

構建一個三層BP神經網絡，其指令為：

net=

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

其中，PR為輸入向量取值范圍，

Si則為第i（i=1，2，…，N）層神經元個數，共計N層;TFi為第i層傳遞函數;BTF表示為BP神經網絡訓練函數，BLF表示BP神經網絡權值與閥值學習函數;PF表示性能函數，而試驗所用最小均方誤差（mse）為性能函數。

執(zhí)行結果為構建一個N層BP神經網絡模型。對帶分類標簽的數據集，先對設計的模型進行現有軌跡訓練，得到穩(wěn)定模型，然后將未知的軌跡放入模型中檢測判斷是否為異常軌跡。

3實驗

在文章中的所提出的算法都是在Matlab2016a環(huán)境下實現的，硬件和軟件環(huán)境為：Intel（R）Core（TM）2Duo3.3GHzCPU，內存為4GB，操作系統(tǒng)為Windows10。

3.1數據集選取

本次實驗數據主要源自于GeoLifeGPSTrajectories項目中的某兩個用戶的軌跡數據集。由于軌跡集所使用的是格林威治時間，所以從23：0000：59、9：0010：59等這一時段轉換為北京時間則為7：008：59、17：0018：59，而這一時段正屬于上下班高峰期。因此，本文所選用的軌跡數據集為某兩個用戶2018年9月23日12月23日期間每天這一時段的軌跡數據，共計180條。

3.2試驗結果

3.2.1BP神經網絡訓練及仿真結果

在本次實驗中，對第一個用戶的90條軌跡屬性數據給予分組，根據分組結果不同，提出了五種訓練方案。在方案1中，30條軌跡屬性數據用于訓練，剩余數據用于仿真;在方案2中，40條軌跡屬性數據用于訓練，剩余數據用于仿真;在方案3中，50條軌跡屬性數據用于訓練，剩余數據用于仿真;在方案4中，60條軌跡數據屬性用于訓練，剩余數據用于仿真;在方案5中，70條軌跡屬性數據用于訓練，剩余數據用于仿真。此外，由這五種方案所生成的精度、召回率、F度量值柱狀圖，如圖5所示。

精度是對精準性的度量，也就是標記為正類的元組或異常軌跡元組的實際正類所占百分比，其表達公式為：

precision=

[SX（]TPTP+FP[SX）]

公式中的TP代表為正確分類的異常軌跡條數，而FP代表的是異常軌跡錯誤標記的條數。

所謂的召回率則是指對完全性度量，也就是將正元組或是異常軌跡元組標記為正類的百分比，而其表達公式則為：

recall=

[SX（]TPTP+FN[SX）]

公式中的FN代表為將正常軌跡錯誤標記成異常軌跡的條數。

而F度量所指的是把精度與召回率組合一個度量中，那么其表達公式為：

F=

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

由圖5得知，在這五種方案中只有方案4的性能最好，它的F度量值達到92.3%，所以利用此方案對另一用戶的軌跡數據集實行仿真實驗，也就是使用另一用戶的60條軌跡屬性數據用作訓練，而剩余數據則用作仿真實驗。最終獲得此次軌跡檢測模型的輸出類別與實際類別的對比結果。

3.2.2網絡性能分析

采用方案4對另一用戶的仿真訓練的BP神經網絡性能，如圖6所示。

通過圖6（a）BP神經網絡綜合性能可以得知，此次實驗選用的是三層神經網絡，第一次為輸入層有4個輸入節(jié)點，第二次為隱含層有10個隱節(jié)點，第三次為輸出層有1個輸出節(jié)點。因此得知實驗使用的BP神經網絡訓練算法為trainoss，而使用的性能函數則為均方誤差函數mse，并且這個模型的均方誤差mse值為1.31e24，梯度為7.85e24，最大驗證失敗0次。用時5分9秒共迭代1671次，說明這個

模型非常穩(wěn)定，而且已經滿足精度要求，所以能夠作為用戶軌跡聚類與異常軌跡檢測的模型。由圖6（b）得知，最小均方差在10-11時緩慢下降，然而在訓練次數達到最大時，將會突然降到10-24，這是因為實驗的訓練方法為trainoss，它屬于快速訓練方法，所以在網絡性能到達一定精度時將會快速收斂。由圖6（c）得知，這種算法將會始終保持平穩(wěn)梯度下降，且驗證失敗始終為0次，且訓練次數達到足夠大時，將會呈直線下降，究其原因則等同于mse突然下降原因。

4總結

文章提供的基于BP神經網絡異常軌跡檢測方法具有兩個階段。其一，先對軌跡數據收集，然后去除數據噪音并上傳到百度云LBS.云端儲存，最后設計軌跡顯示系統(tǒng)，實現在百度地圖上顯示軌跡數據集。其二，利用軌跡屬性提取算法對軌跡集進行預處理，從中獲取軌跡屬性向量，如軌跡長度屬性、軌跡角度屬性、軌跡時長屬性、軌跡平均速度等。其次以軌跡特征屬性看作BP神經網絡算法輸入層，以軌跡相似度量作為輸出層，然后訓練出穩(wěn)定的異常軌跡檢測模型。最后用異常軌跡檢測模型判斷用戶軌跡是否為異常，便于獲取異常軌跡數據。

參考文獻

[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，徐紅艷，李波.BP神經網絡隱含層節(jié)點數確定方法研究[J].計算機技術與發(fā)展，2018（4）：16.

[11]朱燕，李宏偉，樊超.基于聚類的出租車異常軌跡檢測[J].計算機工程，2017，43（2）：1620.

[12]閆密巧，王占宏，王志宇.基于Redis的海量軌跡數據存儲模型研究[J].微型電腦應用，2017，33（4）：911.

[13]毛嘉莉，金澈清，章志剛.軌跡大數據異常檢測：研究進展及系統(tǒng)框架[J].軟件學報，2017，28（1）：1734.

[14]俞慶英，李倩，陳傳明，等.基于BP神經網絡的異常軌跡檢測方法研究[J/OL].計算機工程.https：//doi.org/10.19678/j.issn.10003428.0051574

[15]時磊，魯華棟.基于高斯混合模型的移動目標跟蹤[J].微型電腦應用，2017，33（12）：7577.

[16]崔寶才.基于GA改進BP神經網絡網絡異常檢測方法[J].現代電子技術，2016，39（3）：9093.

[17]韓旭.基于車輛軌跡多特征的聚類分析及異常檢測方法的研究[D].哈爾濱：哈爾濱工程大學，2014.

[18]鮑蘇寧，張磊，楊光.基于核主成分分析的異常軌跡檢測方法[J].計算機應用，2014，34（7）：21072110.

[19]龔暢，王華君，李榮，等.利用兩階段遺傳算法的機械手最優(yōu)軌跡控制仿真[J].微型電腦應用，2016，32（4）：1822.

（收稿日期：2019.06.26）