融合时空互补扩散模型与自适应加速策略的轨迹异常检测方法

本公开属于人工智能与时空数据挖掘，具体涉及一种基于深度学习，尤其是融合时空互补扩散模型与自适应加速策略的轨迹异常检测方法。

背景技术：

1、随着定位技术与移动互联网的普及，海量的轨迹数据被持续产生。从这些数据中自动、精准地检测出异常轨迹，对于智慧交通、城市规划、公共安全等领域具有重大价值。异常轨迹通常指在时空维度上明显偏离大多数常规模式的路径，如车辆绕行、异常停留或偏离预期路线等。

2、目前，基于深度学习的轨迹异常检测方法通常遵循“编码-重构-评估”的范式，即先将轨迹编码为潜在空间中的向量，然后通过解码器尝试重构原始轨迹，最后基于重构误差来判断异常。但现有方法的有效性严重依赖于解码器从潜在向量中高质量重构整个轨迹序列的能力。若解码器性能不佳或训练不充分，重构误差本身将失去可靠性，导致异常检测的准确率显著下降。此外，轨迹数据蕴含复杂的时空动态特征。许多方法采用循环神经网络（rnn）或卷积神经网络（cnn）进行建模，但rnn难以捕捉长程依赖且训练并行度低，cnn则难以有效建模非欧几里得空间的路网结构。这导致模型对轨迹中局部异常或由长程上下文决定的异常敏感度不足。传统方法通常基于单一的重构误差进行决策，容易受到数据中随机噪声、波动或重构过程本身随机性的干扰。此外，异常阈值往往依赖经验设定，缺乏自适应性，导致在不同数据集或场景下泛化能力差，误报和漏报率较高。

技术实现思路

1、综上所述，现有轨迹异常检测方法在模型架构、任务定义和评估机制上存在局限性，制约了其在实际应用中的准确性与可靠性。因此，需要一种能够降低对单一组件依赖、更有效捕捉时空上下文、并具备更强鲁棒性的轨迹异常检测方法。

2、鉴于现有技术中的上述缺陷或不足，本公开旨在提供一种基于插值扩散模型的轨迹异常检测方法。为了实现上述目的中的一个或多个，本公开提供了以下方面。

3、根据本公开的第一方面提供一种融合时空互补扩散模型与自适应加速策略的轨迹异常检测方法，其包括：获取待检测的原始轨迹数据；将原始轨迹数据转换为轨迹嵌入表示；对轨迹嵌入表示进行掩码处理，以隐藏部分轨迹点，从而生成掩码后的轨迹嵌入表示；对掩码后的轨迹嵌入表示施加多步高斯噪声，获得加噪的掩码轨迹表示；利用轨迹去噪网络对加噪的掩码轨迹表示执行多步迭代去噪，以重构出被隐藏的轨迹点，获得填充后的完整轨迹嵌入表示，其中，在多步迭代去噪的每一步中，对加噪的掩码轨迹表示进行一维卷积、门控激活与残差连接，基于处理后的特征预测当前步的噪声；基于原始轨迹数据的轨迹嵌入表示与填充后的完整轨迹嵌入表示之间的误差，判断原始轨迹是否异常。

4、在一些示例性实施例中，将原始轨迹数据转换为轨迹嵌入表示包括：将原始轨迹数据转换为路网约束轨迹，路网约束轨迹由路段和时间戳的序列构成；针对路网约束轨迹中的每个轨迹点，执行以下操作：将路网约束轨迹中的路段映射为路段嵌入向量；基于路网约束轨迹中的时间戳，计算归一化的时段特征；基于路网约束轨迹中的时间戳及起止时间，计算归一化的时间偏移特征；将路段嵌入向量、时段特征和时间偏移特征进行拼接，以形成轨迹点的嵌入表示；所有轨迹点的嵌入表示按照时间顺序组合，形成轨迹嵌入表示。

5、在一些示例性实施例中，路段嵌入向量通过以下方式得到：基于历史轨迹数据构建历史出行图，其中，节点为路段，边代表路段间的通行关系；使用node2vec算法对历史出行图进行图嵌入学习，生成每个路段的预定维度的向量表示。

6、在一些示例性实施例中，获得填充后的完整轨迹嵌入表示包括：将轨迹嵌入表示沿时间轴划分为多个窗口；生成两种互补的掩码模式，在第一掩码模式下掩码偶数序号的窗口，在第二掩码模式下掩码奇数序号的窗口；对两种掩码模式下的掩码后的轨迹嵌入表示分别执行加噪和去噪，以得到两个填充后的轨迹嵌入表示，将两个填充后的轨迹嵌入表示按时间顺序拼接，以得到填充后的完整轨迹嵌入表示。

7、在一些示例性实施例中，轨迹去噪网络由多个堆叠的模块构成，每个模块包含图卷积网络模块和transformer模块，图卷积网络模块被配置为基于由待检测的原始轨迹数据得到的路网约束轨迹，构建轨迹图，以建模轨迹点间的空间相关性；transformer模块被配置为利用自注意力机制建模轨迹点间的时间依赖性，其中，一维卷积、门控激活处理与残差连接处理用于对transformer模块输出的时间特征进行处理。

8、在一些示例性实施例中，在去噪的过程中，轨迹去噪网络被配置为以扩散步数的嵌入表示和掩码组标识的嵌入表示为条件，对加噪的掩码轨迹表示进行去噪。

9、在一些示例性实施例中，对掩码后的轨迹嵌入表示施加多步高斯噪声，获得加噪的掩码轨迹表示包括：通过多个步骤将掩码后的轨迹嵌入表示逐步转化为接近纯高斯噪声的数据表示；其中，第n步加噪操作通过以下公式实现：

10、

11、其中，x0表示掩码后的轨迹嵌入表示；xn表示第n步的加噪轨迹数据；~

n(0,i)是采样得到的高斯噪声；是由预定义的噪声调度表计算得到的系数。

12、在一些示例性实施例中，利用轨迹去噪网络对加噪的轨迹数据执行多步迭代去噪包括：从第n步的加噪轨迹数据开始，通过n步逐步去除数据中的噪声；其中，对于第n步的加噪轨迹数据，将第n步的加噪轨迹数据、当前步数n以及掩码矩阵m和掩码模式p输入轨迹去噪网络，对第n步的加噪轨迹数据进行一维卷积、门控激活处理与残差连接处理，得到预测的噪声；基于预测的噪声，利用去噪公式计算去噪后数据的均值：

13、

14、其中，是控制添加噪声方差的常数超参数，满足0<<<<1；掩码矩阵m中的元素取值为0或者1，取值为1表示当前轨迹点被掩码，取值为0表示当前轨迹点未被掩码；

15、基于均值μθ和方差θ定义的高斯分布进行采样，得到前一步的去噪数据xn-1；对前一步的去噪数据xn-1执行上述步骤直至得到填充后的轨迹嵌入表示为止。

16、在一些示例性实施例中，判断原始轨迹是否异常包括：利用扩散模型在去噪的过程中生成的多个中间输出，分别计算其与原始轨迹数据的轨迹嵌入表示的误差；对多个中间输出对应的误差求平均值，将平均值作为最终的异常分数。

17、在一些示例性实施例中，判断原始轨迹是否异常包括：将在训练阶段基于正常轨迹数据集的重构误差分布所确定的动态阈值作为判断标准；若异常分数超过动态阈值，则判定为异常轨迹，否则判定为正常轨迹。

18、通过实施本公开所阐述的技术方案，可以实现以下技术效果：

19、本公开采用了“掩码-填充”而不是传统的“编码-解码”来检测异常轨迹。模型不再需要重构整个轨迹，而是专注于根据上下文信息精确填充被掩码的局部片段。这将异常检测的焦点从“全局重构保真度”转移至“局部上下文一致性”，从根本上降低了对单一解码器组件性能的严重依赖。

20、通过设计条件轨迹去噪网络，将图卷积网络（gcn）和transformer模块进行融合。gcn模块基于动态构建的轨迹图有效捕捉了路段间的空间拓扑关系，而transformer模块则通过自注意力机制捕捉了轨迹点间的长程时间依赖。这种“空间-时间”协同建模的架构，使模型能够更全面地理解出行逻辑，从而对局部异常和全局路径异常都表现出更高的敏感度。

21、在评估阶段，本公开利用扩散模型多步去噪的中间结果计算平均误差作为异常分数，有效平滑了单步预测的随机波动，大幅提升了检测结果的稳定性和鲁棒性。此外，引入了基于正常轨迹误差分布的动态阈值选择机制，替代了主观固定的阈值。这使得系统能够自适应不同的数据分布，无需手动调参，极大地提升了在不同应用场景下的泛化能力和适用性。

22、通过引入基于历史出行数据预训练的路段嵌入向量，并结合精细化的时段特征与时间偏移特征，本方法构建的轨迹嵌入表示深度融合了空间、绝对时间和相对时间信息。这种表示为模型提供了更强的先验知识，使其能够更准确地学习正常的出行模式，从而更精准地识别偏离该模式的异常行为。

23、本公开的上述技术方案实现前述效果之一即可，并不要求每一个技术方案均实现上述的全部技术效果。

24、此外，本公开的效果不仅包括本文中阐述的效果，而且还包括通过参考权利要求、说明书及说明书附图而对本公开所属领域的技术人员显而易见的其它效果。