轨迹异常检测方法和装置、电子设备及可读存储介质与流程

1.本发明涉及大数据分析与智能交通领域，尤其涉及一种轨迹异常检测方法和装置、电子设备及可读存储介质。

背景技术：

2.现有技术中，一般通过小区中的安保人员统计每个人的出入时间，或者通过民警定期上门摸查，从而可以到具有昼伏夜出类型的人员。也有通过统计同一人夜晚出现总次数和白天总次数，计算昼伏夜出比例进行判断。此外，也出现了昼伏夜出的模型检测方法，具体来说，假设昼伏夜出车辆为二项分布，各车辆各卡口之间夜间出现概率相互独立，根据实际的出行记录，建立昼伏夜出概率模型。
[0003][0004]
随着流动人口规模不断扩大，社区内的人员数量不断增多，通过小区中的安保人员统计每个人的出入时间，或者民警定期上门摸查的方案，到昼伏夜出类型人员的方法，会给工作人员带来较大的工作压力，也可能存在遗漏，导致无法正确判断。单纯统计白天/夜晚出行次数，进行昼伏夜出判断，这种做法没有充分挖掘数据的价值，停留于数据的简单统计，也会准确率造成影响。昼伏夜出概率模型假定各车辆各卡口之间夜间出现概率相互独立，实际情况下人员出行概率并不是相互独立的，因此不能简单套用。
[0005]
此外，随着电子技术的进步，道路、路口、商场及居民区等地的卡口摄像头等设备也越来越多，每天都会产生海量的人脸数据，常见的操作是储存在关系型数据库中，但在分析时导致计算量大，处理起来有很大困难，无法对昼伏夜出人员进行有效且快速地管控。
[0006]
在对用户进行常驻地分析时，用户的活动范围较广，使用单纯的移动终端的通信信息得到的定位结果会导致常驻信息统计不准确。对待测用户的一个或多个轨迹点进行聚类分析，获得聚合区域，并未考虑到轨迹点之间的序列相关性，也未考虑停留时长的因素，单纯地使用在预设时间间隔出现区域的次数判断是否为常驻地的方法，该方法没有充分挖掘数据的价值，会降低常驻地分析的准确性。

技术实现要素：

[0007]
本发明提供一种轨迹异常检测方法和装置、电子设备及可读存储介质，用以解决现有技术中存在的技术缺陷。
[0008]
本发明提供一种轨迹异常检测方法，包括：
[0009]
获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；
[0010]
对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；
[0011]
基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第
一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；
[0012]
基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常。
[0013]
根据本发明所述的轨迹异常检测方法，其中，所述对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地，包括：
[0014]
根据时间上和空间上的相似度对所述目标对象的历史行驶轨迹信息进行密度聚类，得到聚类中心，对每个聚类中心进行类内聚类，得到聚类结果，基于预设规则对所述聚类结果进行筛选，获得所述目标对象的日间常驻地和夜间常驻地。
[0015]
根据本发明所述的轨迹异常检测方法，其中，所述对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地，包括：
[0016]
对于目标对象i，记采集到的历史k个时间周期的经过时间序列 x
im
，对应的经过地点序列y
im
和对应的停留时间序列z
im
，m＝1,
…
,k；从k个停留时间序列中筛选数据维度相同的序列进行聚类，记每组经过时间序列集合x
ij
，对应的经过地点序列集合y
ij
和对应的停留时间序列集合z
ij
，j＝1,
…
,n，共n组；
[0017]
对第j组经过时间序列集合x
ij
和对应的经过地点序列集合y
ij
分别进行组内聚类，j＝1,
…
,n,具体步骤如下:
[0018]
设定时间序列集合、地点序列集合中的第h个数据x
ijh
和y
ijh
为某一类的类中心，遍历所有类别，若集合中的第l个数据x
ijl
和x
ijh
聚为一类，y
ijl
和y
ijh
聚为一类，则聚类成功，更新类中心；若均未聚成一类，则自行成为新的类中心；否则则抛弃第l个数据x
ijl
和y
ijl
；
[0019]
循环遍历所述时间序列集合、地点序列集合，得到最终经过时间序列和经过地点序列聚类结果cxj，cyj,j＝1,
…
,n；停留时间序列的聚类结果与czj与cxj，cyj对应；获得w个类，
[0020]
计算在w个类中，经过时间序列，对应的经过地点序列和对应的停留时间序列的类中心；
[0021]
对于经过地点序列的w个类中心，分别进行类内聚类，得到s 个聚类结果，即常驻地个数，locationw为第w个类类内聚类个数；
[0022]
将聚类结果映射到经过时间序列和停留时间序列，获得所述常驻地与经过时间和停留时间的一一对应关系；
[0023]
对s个常驻地及对应停留时间、经过时间进行筛选：保留停留时间大于预设时间阈值的常驻地；对保留的常驻地之间的距离两两进行计算，若距离小于预设距离阈值，则删除停留时间较短的常驻地，得到预选常驻地；
[0024]
基于预设的昼夜划分规则、预选常驻地，获得日间常驻地和夜间常驻地。
[0025]
根据本发明所述的轨迹异常检测方法，其中，所述基于所述目标对象分别在日间
常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例，包括：
[0026]
基于所述预选常驻地及对应停留时间、经过时间，统计所述目标对象分别在日间常驻地第一历史停留时长和夜间常驻地的第二历史停留时长；
[0027]
计算所述目标对象i的昼伏夜出判断比例ri＝第二历史停留时长/ (第一历史停留时长+第二历史停留时长)。
[0028]
根据本发明所述的轨迹异常检测方法，其中，所述基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例，包括：
[0029]
基于所述实时行驶轨迹信息，获取实时常驻地及对应停留时间、经过时间，统计所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长；
[0030]
计算所述目标对象i的昼伏夜出实时比例b＝第二实时停留时长 /(第一实时停留时长+第二实时停留时长)。
[0031]
根据本发明所述的轨迹异常检测方法，其中，所述轨迹异常检测方法还包括：
[0032]
将所述目标对象的实时行驶轨迹信息与所述w个类进行密度聚类，若成功聚为一类，则更新类中心，否则单独成为一类，得到更新后的分类；
[0033]
基于更新后的分类，更新所述目标对象的常驻地及昼伏夜出判断比例；和/或，所述轨迹异常检测方法还包括：
[0034]
当检测出所述目标对象的实时行驶轨迹异常，进行告警。
[0035]
根据本发明所述的轨迹异常检测方法，其中，所述基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常，包括：
[0036]
当所述目标对象的昼伏夜出实时比例b《昼伏夜出判断比例ri时，满足|b-ri|/b》p，则检测出所述目标对象的实时行驶轨迹异常，其中， p表示设定的昼伏夜出浮动比例。
[0037]
本发明还提供了一种轨迹异常检测装置，包括：
[0038]
数据采集模块，用于获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；
[0039]
历史轨迹分析模块，用于对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；
[0040]
实时轨迹分析模块，用于基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；
[0041]
检测模块，用于基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常。
[0042]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述轨迹异常检测方法的步骤。
[0043]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算
机程序被处理器执行时实现如上述任一种所述轨迹异常检测方法的步骤。
[0044]
本发明只需要统计目标对象实时数据在日间及夜间常驻地停留时长及比例，进行判断，能够有效去除数据冗余，降低运算耗时，基于历史数据和实时数据之间的内在关系和一致性，形成了一个闭环的系统；对每个目标对象的多个时间周期内的轨迹时间序列进行聚类以及筛选，最终获得日间常驻地和夜间常驻地，考虑到了时间序列的相关性和轨迹点之间的内在联系；充分利用每个合体的个性化、差异化，分别获得每个目标对象的昼伏夜出判断比例、和昼伏夜出实时比例进行比较，从而提高异常判断的准确性。
附图说明
[0045]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1是本发明提供的轨迹异常检测方法的流程示意图之一；
[0047]
图2是本发明提供的轨迹异常检测方法的流程示意图之二；
[0048]
图3是本发明提供的轨迹异常检测装置的结构示意图；
[0049]
图4是本发明提供的电子设备的结构示意图。
具体实施方式
[0050]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
下面结合图1描述本发明的一种轨迹异常检测方法，该方法包括：
[0052]
s1、获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；
[0053]
目标对象可以是不同的人员，此时，采集不同人员出行过程中在摄像机头、卡口、门禁等设备上记录的数据，分别采集两部分的数据：一是不同人员在多个时间周期内的历史行驶轨迹信息；二是目标对象在一个时间周期内的实时行驶轨迹信息。
[0054]
其中，一个时间周期内的行驶轨迹信息包括人员的身份信息、在一个时间周期内经过的至少一个地点(经纬度)、经过时刻及停留时间集合。这里一个时间周期指的是一昼夜24小时，经过时刻不记录年月日，只记录时分秒。
[0055]
s2、对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；
[0056]
这里基于密度聚类方法对不同人员在数据采集模块10采集到的数据进行建模分析，具体来说，可以通过dbscan密度聚类算法，对于每个人员分别建模，根据时间上和空间上的相似度对采集到的数据进行聚类，如果时间和空间都符合要求，则将当前时间序列聚为一类，再对每个聚类中心进行类内聚类，经过一定的规则筛选获得不同人员的日间常驻地和夜间常驻地。
[0057]
s3、基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；
[0058]
昼伏夜出实时比例的获取方式与昼伏夜出判断比例相同，都是基于日间常驻地的停留时长和夜间常驻地的停留时长来确定的。
[0059]
s4、基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常。
[0060]
若是昼伏夜出实时比例小于昼伏夜出判断比例，说明该目标对象停留在夜间常驻地的时间比例小于由历史行驶轨迹信息得到的昼伏夜出判断比例，则检测出所述目标对象的实时行驶轨迹异常；反之，可以检测出所述目标对象的实时行驶轨迹是正常的。
[0061]
本发明只需要统计目标对象实时数据在日间及夜间常驻地停留时长及比例，进行判断，能够有效去除数据冗余，降低运算耗时，基于历史数据和实时数据之间的内在关系和一致性，形成了一个闭环的系统；对每个目标对象的多个时间周期内的轨迹时间序列进行聚类以及筛选，最终获得日间常驻地和夜间常驻地，考虑到了时间序列的相关性和轨迹点之间的内在联系；充分利用每个合体的个性化、差异化，分别获得每个目标对象的昼伏夜出判断比例、和昼伏夜出实时比例进行比较，从而提高异常判断的准确性。
[0062]
根据本发明所述的轨迹异常检测方法，其中，所述对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地，包括：
[0063]
根据时间上和空间上的相似度对所述目标对象的历史行驶轨迹信息进行密度聚类，得到聚类中心，对每个聚类中心进行类内聚类，得到聚类结果，基于预设规则对所述聚类结果进行筛选，获得所述目标对象的日间常驻地和夜间常驻地。
[0064]
根据本发明所述的轨迹异常检测方法，其中，所述对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地，包括：
[0065]
对于目标对象i，记采集到的历史k个时间周期的经过时间序列 x
im
，对应的经过地点序列y
im
和对应的停留时间序列z
im
，m＝1,
…
,k；从k个停留时间序列中筛选数据维度相同的序列进行聚类，记每组经过时间序列集合x
ij
，对应的经过地点序列集合y
ij
和对应的停留时间序列集合z
ij
，j＝1,
…
,n，共n组；
[0066]
对获得的n组相同数据维度的序列x
ij
，y
ij
，z
ij
，j＝1,
…
,n进行组内聚类。并使用一定规则筛选，获得整体聚类结果，具体步骤如下：
[0067]
1)对第j组经过时间序列集合x
ij
和对应的经过地点(经纬度)序列集合y
ij
分别进行组内聚类，j＝1,
…
,n；
[0068]
2)对第j组x
ij
，y
ij
的类簇内成员的下标两两取交集，获得互不相容的wj个类簇，具体来说：x
ij
聚类结果某个类的成员与y
ij
聚类结果每个类的成员进行遍历，获得交集最多的相同下标的成员组合，即若第 l、h和k个数据x
ijl
、x
ijh
和x
ijk
聚为一类，且y
ijl
、y
ijh
和y
ijk
聚为一类，则聚类成功；否则聚类失败。此外，若类内元素数小于2，则说明类内只有单个数据本身，也表示失败。丢弃聚类失败的数据及类别。如此循环，得到最终经过时间序列和经过地点序列聚类结果 cxj，cyj,j＝1,
…
,n；停留时间序列的聚类结果与czj与cxj，cyj对应，此处不进行单独聚类；
[0069]
总共获得w个类，
[0070]
计算在w个类中，经过时间序列，对应的经过地点序列和对应的停留时间序列的类中心；
[0071]
对于经过地点序列的w个类中心，分别进行类内聚类，得到s 个聚类结果，即常驻地个数，locationw为第w个类类内聚类个数；
[0072]
将聚类结果映射到经过时间序列和停留时间序列，获得所述常驻地与经过时间和停留时间的一一对应关系；
[0073]
对s个常驻地及对应停留时间、经过时间进行筛选：保留停留时间大于预设时间阈值的常驻地；对保留的常驻地之间的距离两两进行计算，若距离小于预设距离阈值，也就是若二者相近，则删除停留时间较短的常驻地，得到预选常驻地；例如，预设时间阈值可以设置为 1h或者其他时间值，预设距离阈值可以设置为10米至500米区间内的任意值。此步骤是对常驻地进一步筛选，选择出比较比较有参考意义的预选常驻地。
[0074]
基于预设的昼夜划分规则(这里可以使用7:00-19:00为昼时间， 19:00-次日7:00为夜时间)、预选常驻地，获得日间常驻地和夜间常驻地。
[0075]
根据本发明所述的轨迹异常检测方法，其中，所述基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例，包括：
[0076]
基于所述预选常驻地及对应停留时间、经过时间，统计所述目标对象分别在日间常驻地第一历史停留时长和夜间常驻地的第二历史停留时长；
[0077]
计算所述目标对象i的昼伏夜出判断比例ri＝第二历史停留时长/ (第一历史停留时长+第二历史停留时长)。
[0078]
根据本发明所述的轨迹异常检测方法，其中，所述基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例，包括：
[0079]
基于所述实时行驶轨迹信息，获取实时常驻地及对应停留时间、经过时间，统计所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长；
[0080]
计算所述目标对象i的昼伏夜出实时比例b＝第二实时停留时长 /(第一实时停留时长+第二实时停留时长)。
[0081]
根据本发明所述的轨迹异常检测方法，其中，所述轨迹异常检测方法还包括：
[0082]
将所述目标对象的实时行驶轨迹信息与所述w个类进行密度聚类，若成功聚为一类，则更新类中心，否则单独成为一类，得到更新后的分类；
[0083]
基于更新后的分类，更新所述目标对象的常驻地及昼伏夜出判断比例，用于下一轮的昼伏夜出模块判断。本发明考虑到了历史数据和实时数据之间的内在关系和一致性，并不是简单的数据统计，而是形成了一个闭环的系统，具有动态修正功能，提高昼伏夜出人员判断准确性。
[0084]
具体的，可以将新来的一条实时行驶轨迹信息和w个类进行比较，算距离，与第w类的类中心距离最小且距离小于预设的阈值，则新数据归于第w类，w类成员数+1，重新计算类中心；否则新数据成为单独一类，第w+1类，类总数也+1。也就是利用每次的实时行驶轨迹信息对历史行驶轨迹信息进行更新、迭代，以此实现更好的精准度。
[0085]
进一步的，所述轨迹异常检测方法还包括：
[0086]
当检测出所述目标对象的实时行驶轨迹异常，进行告警。若目标对象被认定为昼伏夜出类型，立即通知安保或者民警，进行进一步的核查。
[0087]
根据本发明所述的轨迹异常检测方法，其中，所述基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常，包括：
[0088]
当所述目标对象的昼伏夜出实时比例b《昼伏夜出判断比例ri时，同时满足|b-ri|/b》p，则检测出所述目标对象的实时行驶轨迹异常，其中，p表示设定的昼伏夜出浮动比例。p是人为设定的，由于不同场景对异常的敏感程度不一样，p可以设为10％或20％，p的值可以自由调节。这里增加了昼伏夜出浮动比例，可以调整检测的敏感度，增加了一个异常判断的临界条件，使得判断更为精准。
[0089]
为了进一步说明本发明提供的轨迹异常检测方法，参见图2，本发明提供了一个具体的实施例，该方法包括：
[0090]
首先，采集不同人员出行过程中在摄像机头、卡口、门禁等设备上记录的数据，分别采集两部分的数据：一是不同人员在多个时间周期内的历史行驶轨迹信息；二是目标对象在一个时间周期内的实时行驶轨迹信息；
[0091]
基于密度聚类方法对不同人员在数据采集模块10采集到的数据进行建模分析，具体来说，通过dbscan密度聚类算法，对于每个人员分别建模，根据时间上和空间上的相似度对采集到的数据进行聚类，如果时间和空间都符合要求，则将当前时间序列聚为一类，再对每个聚类中心进行类内聚类，经过一定的规则筛选获得不同人员的日间常驻地和夜间常驻地。
[0092]
假设人员i有日间常驻地a，b,c和夜间常驻地d，e,历史停留时间记为t
l
，l＝a,
…
,e，第一历史停留时长为ta+tb+tc，第二历史停留时长为td+te，ri＝(td+te)/(ta+tb+tc+td+te)；人员i的新一条实时轨迹信息统计在常驻地的停留时间为t
l
，l＝a,
…
,e， b＝(td+te)/(ta+tb+tc+td+te),设置昼伏夜出浮动比例为p。
[0093]
举例来说：设置p＝10％，人员i夜晚居家8h，白天在工作地停留 12h，则ri为8/(8+12)＝0.4；新一条实时轨迹统计得到夜晚居家4h，白天在工作地停留8h，则b为4/(4+8)＝0.33；计算得到b《ri且|b-ri|/b＝ 21％》p，故初步认为人员轨迹产生异常，此时，可以立即通知安保或者民警，进行进一步地核查。
[0094]
将一个时间周期目标对象的实时数据行驶轨迹信息用于更新目标对象常驻地集合及昼伏夜出判断比例，用于下一轮的昼伏夜出模块判断。
[0095]
参见图3，下面对本发明提供的轨迹异常检测装置进行描述，下文描述的轨迹异常检测装置与上文描述的轨迹异常检测方法可相互对应参照，所述轨迹异常检测装置包括：
[0096]
数据采集模块10，用于获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；
[0097]
目标对象可以是不同的人员，此时，采集不同人员出行过程中在摄像机头、卡口、
门禁等设备上记录的数据，分别采集两部分的数据：一是不同人员在多个时间周期内的历史行驶轨迹信息；二是目标对象在一个时间周期内的实时行驶轨迹信息。
[0098]
其中，一个时间周期内的行驶轨迹信息包括人员的身份信息、在一个时间周期内经过的至少一个地点(经纬度)、经过时刻及停留时间集合。这里一个时间周期指的是一昼夜24小时，经过时刻不记录年月日，只记录时分秒。
[0099]
历史轨迹分析模块20，用于对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；
[0100]
这里基于密度聚类方法对不同人员在数据采集模块10采集到的数据进行建模分析，具体来说，可以通过dbscan密度聚类算法，对于每个人员分别建模，根据时间上和空间上的相似度对采集到的数据进行聚类，如果时间和空间都符合要求，则将当前时间序列聚为一类，再对每个聚类中心进行类内聚类，经过一定的规则筛选获得不同人员的日间常驻地和夜间常驻地。
[0101]
实时轨迹分析模块30，用于基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；
[0102]
昼伏夜出实时比例的获取方式与昼伏夜出判断比例相同，都是基于日间常驻地的停留时长和夜间常驻地的停留时长来确定的。
[0103]
检测模块40，用于基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常。
[0104]
若是昼伏夜出实时比例小于昼伏夜出判断比例，说明该目标对象停留在夜间常驻地的时间比例小于由历史行驶轨迹信息得到的昼伏夜出判断比例，则检测出所述目标对象的实时行驶轨迹异常；反之，可以检测出所述目标对象的实时行驶轨迹是正常的。
[0105]
根据本发明所述的轨迹异常检测系统，其中，所述历史轨迹分析模块20具体用于：
[0106]
根据时间上和空间上的相似度对所述目标对象的历史行驶轨迹信息进行密度聚类，得到聚类中心，对每个聚类中心进行类内聚类，得到聚类结果，基于预设规则对所述聚类结果进行筛选，获得所述目标对象的日间常驻地和夜间常驻地。
[0107]
根据本发明所述的轨迹异常检测系统，其中，所述历史轨迹分析模块20具体用于：
[0108]
对于目标对象i，记采集到的历史k个时间周期的经过时间序列 x
im
，对应的经过地点序列y
im
和对应的停留时间序列z
im
，m＝1,
…
,k；从k个停留时间序列中筛选数据维度相同的序列进行聚类，记每组经过时间序列集合x
ij
，对应的经过地点序列集合y
ij
和对应的停留时间序列集合z
ij
，j＝1,
…
,n，共n组；
[0109]
对获得的n组相同数据维度的序列x
ij
，y
ij
，z
ij
，j＝1,
…
,n进行组内聚类。并使用一定规则筛选，获得整体聚类结果，具体步骤如下：
[0110]
对第j组经过时间序列集合x
ij
和对应的经过地点(经纬度)序列集合y
ij
分别进行组内聚类，j＝1,
…
,n；
[0111]
对第j组x
ij
，y
ij
的类簇内成员的下标两两取交集，获得互不相容的wj个类簇，具体来说：x
ij
聚类结果某个类的成员与y
ij
聚类结果每个类的成员进行遍历，获得交集最多的相同下标的成员组合，即若第 l、h和k个数据x
ijl
、x
ijh
和x
ijk
聚为一类，且y
ijl
、y
ijh
和y
ijk
聚为一类，则聚类成功；否则聚类失败。此外，若类内元素数小于2，则说明类内只有单个数据本身，也表示失败。丢弃聚类失败的数据及类别。如此循环，得到最终经过时间序列和经过地点序列聚类结果 cxj，cyj,j＝1,
…
,n；停留时间序列的聚类结果与czj与cxj，cyj对应，此处不进行单独聚类；
[0112]
总共获得w个类，
[0113]
计算在w个类中，经过时间序列，对应的经过地点序列和对应的停留时间序列的类中心；
[0114]
对于经过地点序列的w个类中心，分别进行类内聚类，得到s 个聚类结果，即常驻地个数，locationw为第w个类类内聚类个数；
[0115]
将聚类结果映射到经过时间序列和停留时间序列，获得所述常驻地与经过时间和停留时间的一一对应关系；
[0116]
对s个常驻地及对应停留时间、经过时间进行筛选：保留停留时间大于预设时间阈值的常驻地；对保留的常驻地之间的距离两两进行计算，若距离小于预设距离阈值，也就是若二者相近，则删除停留时间较短的常驻地，得到预选常驻地；例如，预设时间阈值可以设置为 1h或者其他时间值，预设距离阈值可以设置为10米至500米区间内的任意值。此步骤是对常驻地进一步筛选，选择出比较比较有参考意义的预选常驻地。
[0117]
基于预设的昼夜划分规则(这里可以使用7:00-19:00为昼时间， 19:00-次日7:00为夜时间)、预选常驻地，获得日间常驻地和夜间常驻地。
[0118]
根据本发明所述的轨迹异常检测系统，其中，所述历史轨迹分析模块20具体用于：
[0119]
基于所述预选常驻地及对应停留时间、经过时间，统计所述目标对象分别在日间常驻地第一历史停留时长和夜间常驻地的第二历史停留时长；
[0120]
计算所述目标对象i的昼伏夜出判断比例ri＝第二历史停留时长/ (第一历史停留时长+第二历史停留时长)。
[0121]
根据本发明所述的轨迹异常检测系统，其中，所述实时轨迹分析模块30具体用于：
[0122]
基于所述实时行驶轨迹信息，获取实时常驻地及对应停留时间、经过时间，统计所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长；
[0123]
计算所述目标对象i的昼伏夜出实时比例b＝第二实时停留时长 /(第一实时停留时长+第二实时停留时长)。
[0124]
根据本发明所述的轨迹异常检测系统，其中，所述系统还包括：
[0125]
更新模块，用于将所述目标对象的实时行驶轨迹信息与所述w 个类进行密度聚类，若成功聚为一类，则更新类中心，否则单独成为一类，得到更新后的分类；
[0126]
基于更新后的分类，更新所述目标对象的常驻地及昼伏夜出判断比例，用于下一轮的昼伏夜出模块判断。本发明考虑到了历史数据和实时数据之间的内在关系和一致性，并不是简单的数据统计，而是形成了一个闭环的系统，具有动态修正功能，提高昼伏夜出人员判断准确性。
[0127]
具体的，可以将新来的一条实时行驶轨迹信息和w个类进行比较，算距离，与第w类的类中心距离最小且距离小于预设的阈值，则新数据归于第w类，w类成员数+1，重新计算类中心；否则新数据成为单独一类，第w+1类，类总数也+1。也就是利用每次的实时行驶轨迹信息对历史行驶轨迹信息进行更新、迭代，以此实现更好的精准度。
[0128]
进一步的，所述轨迹异常检测系统还包括异常告警模块，用于：
[0129]
当检测出所述目标对象的实时行驶轨迹异常，进行告警。若目标对象被认定为昼伏夜出类型，立即通知安保或者民警，进行进一步的核查。
[0130]
根据本发明所述的轨迹异常检测系统，其中，所述检测模块40 具体用于：
[0131]
当所述目标对象的昼伏夜出实时比例b《昼伏夜出判断比例ri时，同时满足|b-ri|/b》p时，则检测出所述目标对象的实时行驶轨迹异常，其中，p表示设定的昼伏夜出浮动比例。p是人为设定的，由于不同场景对异常的敏感程度不一样，可以设为10％或20％，p的值可以自由调节。这里增加了昼伏夜出浮动比例，可以调整检测的敏感度，增加了一个异常判断的临界条件，使得判断更为精准。
[0132]
图4示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口 320，存储器330通过通信总线340完成相互间的通信。处理器310 可以调用存储器330中的逻辑指令，以执行轨迹异常检测方法，该方法包括：
[0133]
s1、获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；
[0134]
s2、对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；
[0135]
s3、基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；
[0136]
s4、基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常。
[0137]
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0138]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序
指令被计算机执行时，计算机能够执行上述各方法所提供的轨迹异常检测方法，该方法包括：
[0139]
s1、获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；
[0140]
s2、对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；
[0141]
s3、基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；
[0142]
s4、基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常。
[0143]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的轨迹异常检测方法，该方法包括：
[0144]
s1、获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；
[0145]
s2、对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；
[0146]
s3、基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；
[0147]
s4、基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常。
[0148]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0149]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0150]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.一种轨迹异常检测方法，其特征在于，包括：获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常。2.根据权利要求1所述的轨迹异常检测方法，其特征在于，所述对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地，包括：根据时间上和空间上的相似度对所述目标对象的历史行驶轨迹信息进行密度聚类，得到聚类中心，对每个聚类中心进行类内聚类，得到聚类结果，基于预设规则对所述聚类结果进行筛选，获得所述目标对象的日间常驻地和夜间常驻地。3.根据权利要求2所述的轨迹异常检测方法，其特征在于，所述对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地，包括：对于目标对象i，记采集到的历史k个时间周期的经过时间序列x
im
，对应的经过地点序列y
im
和对应的停留时间序列z
im
，m＝1,
…
,k；从k个停留时间序列中筛选数据维度相同的序列进行聚类，记每组经过时间序列集合x
ij
，对应的经过地点序列集合y
ij
和对应的停留时间序列集合z
ij
，j＝1，
…
，n，共n组；对第j组经过时间序列集合x
ij
和对应的经过地点序列集合y
ij
分别进行组内聚类，j＝1，
…
，n，具体步骤如下：设定时间序列集合、地点序列集合中的第h个数据x
ijh
和y
ijh
为某一类的类中心，遍历所有类别，若集合中的第1个数据x
ijl
和x
ijh
聚为一类，y
ijl
和y
ijh
聚为一类，则聚类成功，更新类中心；若均未聚成一类，则自行成为新的类中心；否则则抛弃第1个数据x
ijl
和y
ijl
；循环遍历所述时间序列集合、地点序列集合，得到最终经过时间序列和经过地点序列聚类结果cx
j
，cy
j
，j＝1，
…
，n；停留时间序列的聚类结果与cz
j
与cx
j
，cy
j
对应；获得w个类，计算在w个类中，经过时间序列，对应的经过地点序列和对应的停留时间序列的类中心；对于经过地点序列的w个类中心，分别进行类内聚类，得到s个聚类结果，即常驻地个数，location
w
为第w个类类内聚类个数；将聚类结果映射到经过时间序列和停留时间序列，获得所述常驻地与经过时间和停留时间的一一对应关系；
对s个常驻地及对应停留时间、经过时间进行筛选：保留停留时间大于预设时间阈值的常驻地；对保留的常驻地之间的距离两两进行计算，若距离小于预设距离阈值，则删除停留时间较短的常驻地，得到预选常驻地；基于预设的昼夜划分规则、预选常驻地，获得日间常驻地和夜间常驻地。4.根据权利要求3所述的轨迹异常检测方法，其特征在于，所述基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例，包括：基于所述预选常驻地及对应停留时间、经过时间，统计所述目标对象分别在日间常驻地第一历史停留时长和夜间常驻地的第二历史停留时长；计算所述目标对象i的昼伏夜出判断比例r
i
＝第二历史停留时长/(第一历史停留时长+第二历史停留时长)。5.根据权利要求4所述的轨迹异常检测方法，其特征在于，所述基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例，包括：基于所述实时行驶轨迹信息，获取实时常驻地及对应停留时间、经过时间，统计所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长；计算所述目标对象i的昼伏夜出实时比例b＝第二实时停留时长/(第一实时停留时长+第二实时停留时长)。6.根据权利要求3所述的轨迹异常检测方法，其特征在于，所述轨迹异常检测方法还包括：将所述目标对象的实时行驶轨迹信息与所述w个类进行密度聚类，若成功聚为一类，则更新类中心，否则单独成为一类，得到更新后的分类；基于更新后的分类，更新所述目标对象的常驻地及昼伏夜出判断比例；和/或，所述轨迹异常检测方法还包括：当检测出所述目标对象的实时行驶轨迹异常，进行告警。7.根据权利要求5所述的轨迹异常检测方法，其特征在于，所述基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所述目标对象的实时行驶轨迹是否异常，包括：当所述目标对象的昼伏夜出实时比例b<昼伏夜出判断比例r
i
时，满足|b-r
i
|/b>p，则检测出所述目标对象的实时行驶轨迹异常，其中，p表示设定的昼伏夜出浮动比例。8.一种轨迹异常检测装置，其特征在于，包括：数据采集模块，用于获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；历史轨迹分析模块，用于对所述历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得所述目标对象的日间常驻地和夜间常驻地；基于所述目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；实时轨迹分析模块，用于基于所述实时行驶轨迹信息，获取并基于所述目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；检测模块，用于基于所述昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出所
述目标对象的实时行驶轨迹是否异常。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的轨迹异常检测方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的轨迹异常检测方法的步骤。

技术总结

本发明提供一种轨迹异常检测方法和装置、电子设备及可读存储介质，其中所述方法包括：获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息；对历史行驶轨迹信息进行密度聚类，基于所述密度聚类的结果获得目标对象的日间常驻地和夜间常驻地；基于目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长，得到昼伏夜出判断比例；基于实时行驶轨迹信息，获取并基于目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长，得到昼伏夜出实时比例；基于昼伏夜出判断比例、昼伏夜出实时比例的比较结果，检测出目标对象的实时行驶轨迹是否异常。本发明可有效去除数据冗余，降低运算耗时，提高异常判断的准确性。提高异常判断的准确性。提高异常判断的准确性。