本文主要是介绍异常轨迹检测（识别偏航轨迹+轨迹异常原因识别），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
偏航轨迹有两种，一种是整个轨迹全部偏航，另一种是部分轨迹偏航。
基本的思想是将轨迹进行聚类，或者找出两地间频繁的出行模式。
如果一条轨迹不属于任何一个聚类，则认为轨迹偏航
轨迹异常原因有多种，包含事故、交通控制、抗议、庆典、灾难、大型体育运动等
轨迹异常原因识别：
1）根据主要路网形状，将城市分为一个个不相连的区域，并根据两个区域之间行驶的车辆的轨迹，识别两个区域之间的异常联系。
2）考虑每个道路的三个特征：一个时间段内，一条道路经过的车辆数量；车辆进入目标区域时，经过该道路的比例；从原始区域离开时，经过该道路的比例。
3）同样，计算昨天相同时段的该条车道的特征，并计算两个特征之间的minimum distortion
4）将minimum distortion 映射到三维空间里面，根据Mahalanobis distance找出三维空间中的极值，极值则为异常路段。
另外一种轨迹异常原因识别方法是：
将轨迹用道路代替，然后找出和以往出行模式的区别，在通过挖掘社交媒体，得出结论
还有一种轨迹异常原因识别方法是：
采用了似然比检验
他们把一个城市划分成统一的网格，并计算在一段时间内到达网格的车辆数量。我们的目标是识别连续的一组网格和时间间隔，他们的统计上最大的显著偏离预期的行为（即车辆的数量）。这些网格的对数似然比统计量的值落在χ2分布的尾部可能异常。
这篇关于异常轨迹检测（识别偏航轨迹+轨迹异常原因识别）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
