一种基于轨迹数据的车辆异常行为检测方法及系统

技术领域

本发明涉及车辆异常行为检测方法、系统，尤其涉及一种基于改进支持向量机的异常行为检测方法。

背景技术

随着居民汽车保有量的提升，高速公路、城市道路的交通密度在不断增大，这使得交通事故与拥堵的发生愈加频繁。同时，由于道路结构的复杂化、驾驶员的不当操作，驾驶员在道路上时有发生因驾驶风格激进、未看清指路标志等操作出现的异常驾驶行为，进而影响到路面交通，引发交通事故或拥堵。

在智能交通技术不断发展的背景下，基于智能化的交通信息采集系统，及时对道路上的车辆运行数据进行采集，根据异常交通数据的特征对道路上车辆的行为进行分析，针对异常行为数据指向的车辆异常行为进行反馈，通过发布合理的主动交通管控措施、诱导车辆选择合理的路线以及构建交通事件的预警与响应系统，以实现道路通行能力提升、交通事故的发生与疏散时间减少、交通拥堵缓解。但是在以往研究中，缺少对车辆轨迹异常行为数据的挖掘，缺少车辆异常行为在公路上的离散化研究，缺少将车辆轨迹数据应用于实际工程的方法。

发明内容

本发明所要解决的技术问题在于，基于车辆轨迹微观交通数据，选取适当的车辆运行参数作为筛选指标，提出一种异常行为数据的筛选方法，构建基于改进SVM(supportvector machines，支持向量机)的高速公路异常行为检测方法，致力于提高交通事件检测效率，为高速公路交通管理与决策提供理论依据。

本发明为解决以上技术问题，采用以下技术解决方案：

首先，本发明提出一种基于轨迹数据的车辆异常行为检测方法，包括如下步骤：

S1，从道路已有高清摄像头获取视频数据，提取出视频中每一帧车辆的全局地理坐标、车辆速度、加速度等车辆轨迹数据，并生成详细车道信息与相对于当前坐标系的相对坐标，以每秒10帧的频率进行保存；

S2，对轨迹数据进行数据处理，具体包括数据清洗、数据平滑处理和数据重采样：

数据清洗用于剔除掉数据集中的重复信息、空白信息与错误信息，使数据集展现统一的特征，将数据集筛选成高质量数据；

数据平滑处理用于除去数据集中的原始噪声，保证数据在后续实验中的有效性，并解决零概率问题；

数据重采样将数据采集频率转化为1.0 s/次，避免后续训练模型速度降低的情况；

S3，将数据集划分为不同的子数据集，依据“3σ原则”确定子数据集中指标的正常区间范围，将指标在正区间范围外的数据标记为异常行为数据，完成异常行为数据的筛选与标记过程；

S4，将车辆类型、车道编号、车辆速度、车辆加速度、车头间距和车头时距作为输入特征，本发明提出了一种改进的支持向量机算法，通过增添SVM处理器的数量，并设置综合处理器的方法来汇总最终分类结果的方法，从而进行异常行为检测。

进一步，所述步骤S2中，数据处理具体包括数据清洗、数据平滑处理和数据重采样，

其中数据清洗，剔除掉数据集中的重复信息、空白信息、错误信息和无用信息，使数据集展现统一的特征，将数据集筛选成高质量数据。具体包括四个部分，分别是：除去缺失值、除去显示错误的数据、筛选车辆类型、剔除无用字段；

其中数据平滑处理，将除去数据集中的原始噪声，保证数据在后续计算中的有效性，同时也可以解决零概率问题，本发明采用S-G滤波器法对车辆轨迹数据进行平滑处理；

其中数据重采样，将数据采集频率转化为1.0 s/次，避免过量数据信息造成的信息重叠、有效信息密度降低和异常行为数据筛选速度降低的问题。

进一步，所述步骤S3中，异常指超出标准及超出趋势以外的数据或相同时空条件下与大部分数据特征不符的数据，异常行为数据指车辆轨迹数据中与绝大部分数据特征不同的少部分数据。本发明利用“3σ原则”，选择车辆速度、车辆加速度、车头间距作为特征指标，观测各数据集所囊括的时间、空间条件的各指标的群体特征，并且获取绝大部分指标所在的数据区间，未出现在这些区间的数据即表现出了与其他数据不同的特征，当数据记录中有一个筛选指标位于异常区间范围内，则将该数据记录标记为异常行为数据。

进一步，所述步骤S4中，本发明提出了一种改进的支持向量机算法，通过增加SVM处理器的数量，并且设置综合处理器的方法来汇总最终分类结果的方法，突破传统支持向量机算法在应用层面的局限性。改进SVM模型的基本架构，包括数据分流器、多个SVM处理器集合以及一个综合处理器，输入改进支持向量机模型的样本数据会首先经过一个数据分流器，将规模庞大的样本数据集随机等量的划分成n个小数据集，完成对规模较大的数据集的切割步骤；改进的SVM模型内有n个SVM处理器，分别对应数据分流器分配的n个小数据集，在模型进行分类的过程中，所有的SVM处理器同时协同处理待分类的样本数据；所有SVM处理器的输出结果经过综合处理器的处理，最终输出分类结果。

其次，本发明还提出保护一种基于轨迹数据的车辆异常行为检测装置，包括：

数据获取单元，用于获取道路视频数据，提取出视频中每一帧车辆的车辆轨迹数据，同时生成详细车道信息与相对于当前坐标系的相对坐标并进行保存；

预处理单元，用于对车辆轨迹数据进行数据预处理，包括数据清洗、数据平滑处理和数据重采样，得到数据集；

异常数据筛选单元，用于将数据集划分为不同的子数据集，依据“3σ原则”确定子数据集中指标的正常区间范围，将指标在正区间范围外的数据标记为异常行为数据，完成异常行为数据的筛选与标记过程；

异常行为检测单元，用于将车辆类型、车道编号、车辆速度、车辆加速度、车头间距和车头时距作为输入特征，在支持向量机模型中通过增添SVM处理器的数量，并设置综合处理器来汇总最终分类结果的方法，进行异常行为检测。

本发明还提出一种电子系统，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明所提出的方法。

最后，本发明提出一种存储有计算机指令的计算机可读存储介质，所述计算机指令用于使所述计算机执行本发明所提出的方法。

本发明采用以上技术方案与现有技术相比，其显著效果如下：

1、本发明提出了异常行为数据的定义与异常行为数据的筛选方法，将“异常”定义为“异于大多数”，即在相同时空作用下，与大部分车辆轨迹数据表现不同的数据。相比于以往研究中从异常行为本身出发，对轨迹数据的阈值和规律进行限制的方法，本方法从车辆数据本身出发，研究数据内部隐含规律，更加客观，在实际工程中的实施性更强。

2、本发明提出的基于改进SVM的异常行为检测方法，模型拥有多核SVM协同处理模块，使用高斯核作为核函数，保证非线性分类问题的准确性，并使用粒子群算法对核函数的参数进行寻优与确定。模型相比于以往传统SVM模型，可以满足对规模较大车辆轨迹数据集进行分类的需求。

附图说明

图1为本发明方法流程图。

图2为改进SVM的基本架构图。

实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的基于轨迹数据的车辆异常行为检测方法，包括：对高速公路车辆运行轨迹数据进行分析与处理，探讨不同时空特征下车辆轨迹数据的分布特性，提出一种针对车辆微观轨迹数据的基于“3σ原则”的异常行为数据的判定与筛选方法，并结合有监督的机器学习方法，提出了一种基于改进支持向量机（SVM）的异常行为检测方法，在传统支持向量机模型的基础上引入数据分流模块与综合处理模块，实现多个支持向量机对大规模数据的同步处理，可以解决支持向量机模型仅适用于较小训练样本的缺点。

本发明的具体实现步骤如下：

步骤1，从道路已有高清摄像头获取视频数据，提取出视频中每一帧车辆的全局地理坐标、车辆速度、加速度等车辆轨迹数据，并生成详细车道信息与相对于当前坐标系的相对坐标，以每秒10帧的频率进行保存。

步骤2，数据处理具体包括数据清洗、数据平滑处理和数据重采样，

其中数据清洗，剔除掉数据集中的重复信息、空白信息、错误信息和无用信息，使数据集展现统一的特征，将数据集筛选成高质量数据。具体包括四个部分，分别是：除去缺失值、除去显示错误的数据、筛选车辆类型、剔除无用字段；

其中数据平滑处理，将除去数据集中的原始噪声，保证数据在后续计算中的有效性，同时也可以解决零概率问题，本发明采用S-G滤波器法对车辆轨迹数据进行平滑处理；

其中数据重采样，将数据采集频率转化为1.0 s/次，避免过量数据信息造成的信息重叠、有效信息密度降低和异常行为数据筛选速度降低的问题。

步骤3，异常指超出标准及超出趋势以外的数据或相同时空条件下与大部分数据特征不符的数据，异常行为数据指车辆轨迹数据中与绝大部分数据特征不同的少部分数据。本发明利用“3σ原则”，选择车辆速度、车辆加速度、车头间距作为特征指标，观测各数据集所囊括的时间、空间条件的各指标的群体特征，并且获取绝大部分指标所在的数据区间，未出现在这些区间的数据即表现出了与其他数据不同的特征，当数据记录中有一个筛选指标位于异常区间范围内，则将该数据记录标记为异常行为数据。

步骤4，本发明提出了一种改进的支持向量机算法，通过增加SVM处理器的数量，并且设置综合处理器的方法来汇总最终分类结果的方法，突破传统支持向量机算法在应用层面的局限性。

具体来说，本发明提出一种改进SVM模型的基本架构，包括数据分流器、多个SVM处理器集合以及一个综合处理器，输入改进支持向量机模型的样本数据会首先经过一个数据分流器，将规模庞大的样本数据集随机等量的划分成n个小数据集，完成对规模较大的数据集的切割步骤；改进的SVM模型内有n个SVM处理器，分别对应数据分流器分配的n个小数据集，在模型进行分类的过程中，所有的SVM处理器同时协同处理待分类的样本数据；所有SVM处理器的输出结果经过综合处理器的处理，最终输出分类结果。

如图1所示，首先，从道路已有高清摄像头获取视频数据，提取出视频中每一帧车辆的全局地理坐标、车辆速度、加速度等车辆轨迹数据；其次，对轨迹数据集进行数据处理，包括数据清洗、数据平滑处理和数据重采样，实现对数据缺失、数据失真和数据噪声的清除，提高有效信息密度；再次，从轨迹数据集本身出发，利用“3σ原则”，获取绝大部分指标所在的数据区间，将指标在正区间范围外的数据标记为异常行为数据，完成异常行为数据的筛选与标记；最后，在传统支持向量机模型的基础上引入数据分流模块与综合处理模块，实现多个支持向量机对大规模数据的同步处理，基于改进支持向量机进行异常行为检测。

如图2所示，改进SVM模型的基本架构，包括数据分流器、多个SVM处理器集合以及一个综合处理器。输入改进支持向量机模型的样本数据会首先经过一个数据分流器，将规模庞大的样本数据集随机等量的划分成n个小数据集，完成对规模较大的数据集的切割步骤；改进的SVM模型内有n个SVM处理器，分别对应数据分流器分配的n个小数据集，在模型进行分类的过程中，所有的SVM处理器同时协同处理待分类的样本数据；所有SVM处理器的输出结果需要经过综合处理器的处理，最终输出分类结果。

实施例2：本发明还提出保护一种基于轨迹数据的车辆异常行为检测装置，包括：

数据获取单元，用于获取道路视频数据，提取出视频中每一帧车辆的车辆轨迹数据，同时生成详细车道信息与相对于当前坐标系的相对坐标并进行保存；

预处理单元，用于对车辆轨迹数据进行数据预处理，包括数据清洗、数据平滑处理和数据重采样，得到数据集；

异常数据筛选单元，用于将数据集划分为不同的子数据集，依据“3σ原则”确定子数据集中指标的正常区间范围，将指标在正区间范围外的数据标记为异常行为数据，完成异常行为数据的筛选与标记过程；

异常行为检测单元，用于将车辆类型、车道编号、车辆速度、车辆加速度、车头间距和车头时距作为输入特征，在支持向量机模型中通过增添SVM处理器的数量，并设置综合处理器来汇总最终分类结果的方法，进行异常行为检测。

实施例3：本实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述方法的步骤，在此不再赘述。

实施例:4：本实施例还提出一种电子设备，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。需要说明的是，所述处理器执行所述计算机程序时对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。