一种轨迹异常检测方法、系统及产品

1.本发明涉及异常轨迹检测领域，特别是涉及一种轨迹异常检测方法、系统及产品。


背景技术：

2.轨迹数据也称为时空数据，它是由全球定位系统(global positioning system，gps)、wi-fi、视频监控或无线传感器网络等定位设备产生的，记录了运动物体的地理信息。上述运动物体可以是人或动物，也可以是车辆或飞机等交通工具，甚至是飓风等自然灾害。基于轨迹的数据挖掘技术主要分为四类：预测、聚类、分类和异常检测。
3.目前对于“异常数据”还没有统一的数学定义。霍金斯给出了最通用的定义：异常数据是与其他观测数据相差很大的观测数据，导致人们怀疑它是由不同的机制产生的。异常数据有可能是噪声，它对数据分析有害，因此应在数据分析之前将其去除。识别出异常数据的技术就是异常检测技术，它可应用于金融欺诈检测、故障检测、网络入侵检测和工业系统监控等领域。异常轨迹检测技术，作为异常检测技术的一个子类，已被用于各种应用场景，例如城市服务、路径探索、目的地预测、公共安全、运动行为分析、群体行为分析、运动分析、社会服务、生态监测、环境评估和能源评估等。
4.异常检测在2000年首次被应用到轨迹数据。随后，在其他类型数据已经流行的异常技术被直接应用于轨迹数据异常检测，如隐马尔可夫模型和聚类算法。在应用这些算法前，通常需要对海量的数据进行预处理，比如采样或降维。然而，这些从其他领域引进的技术并未针对异常轨迹检测任务进行优化，因此精度并不高。
5.到了2004年11月，高通公司宣布手机辅助gps测试成功后，大量相关技术开始涌现，其中就包括异常轨迹检测技术。一个典型的异常轨迹检测过程为：首先对输入数据进行预处理，然后使用相关算法对数据进行打分以量化数据的异常度，接着使用后处理技术和集成技术对数据的异常度得分进行优化，最后根据分数阈值确定数据为正常还是异常。其中，预处理部分对异常轨迹检测技术来说尤为重要。因此，根据所使用的预处理方法，可以将异常轨迹检测技术分为四类：基于映射的、基于采样的、基于分段的和其它方法等。
6.基于映射的预处理方法又可细分为基于网格映射的方法和基于地图映射的方法。基于网格映射的方法将轨迹所在区域网格化，并将轨迹数据表示为网格上的一系列格点，基于此类的典型技术有ibat、iboat、deeptea、atdc等。此类方法的优点是可以避免不同轨迹记录设备采样频率和物体运动速度对轨迹点的影响，但缺点是它对网格大小敏感，可能导致两条非常接近的轨迹可以用两组完全不同的网格单元格来表示。基于地图映射将轨迹数据映射到实际的道路交通地图上，因此需要额外的地图信息，基于此类的典型技术有rpat、db-tod、rnpat、lotad等。此类方法的优点是将轨迹映射到真实路线后减小了噪声的影响，缺点是映射的过程非常费时，且无法反应城市新道路、临时封锁道路以及交通堵塞的情况。
7.基于采样的方法通过对原始轨迹数据进行采样来获得更短的或定长的轨迹，也能通过滑动窗口截取的形式对正在行程中的轨迹处理以获取固定长度的片段。基于此类的典
型技术有piciarelli、rapidlof、pn-opt、stn-outlier等。此类方法的缺点是，由于轨迹记录设备采样频率和物体运动速度的影响，轨迹上的点的分布不一定均匀，这将导致两条路线一致的轨迹可能在采样后结果相差巨大，从而影响异常检测的精度。
8.基于分段的方法将整段轨迹划分成数段子轨迹，并分辨其中出现异常的子轨迹。含有异常子轨迹的轨迹也是全局异常轨迹。基于此类的典型技术有traod、todcss、stc、tpba等。常用的分段方式有突变点分段和人工规则分段，前者的缺点是对噪声以及漂移轨迹点敏感，后者的缺点是需要人工经验选择参数从而限制了实际的使用。
9.由此可见，现有的异常轨迹检测技术都存在一些缺陷，主要体现在预处理阶段，都会直接导致最终异常检测的精度，且时间复杂度和空间复杂度较高。


技术实现要素：

10.本发明的目的是提供一种轨迹异常检测方法、系统及产品，以解决异常检测精度低且时间复杂度和空间复杂度高的问题。
11.为实现上述目的，本发明提供了如下方案：
12.一种轨迹异常检测方法，包括：
13.获取起点坐标以及终点坐标，并根据所述起点坐标以及所述终点坐标确定一组轨迹；一组轨迹包括多条轨迹；一条轨迹由一系列依时间顺序的坐标点组成；
14.基于中点极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标；
15.根据所述极坐标，将所有所述轨迹转化为长度相等的列表型特征；
16.采用适用于列表型特征的异常检测器，对所述列表型特征进行异常检测，确定异常的轨迹。
17.可选的，所述获取起点坐标以及终点坐标，并根据所述起点坐标以及所述终点坐标确定一组轨迹，具体包括：
18.从所述历史轨迹数据库中，查询所有与所述起点坐标以及所述终点坐标相近的轨迹，确定一组轨迹；其中，所述相近的轨迹为的轨迹为的轨迹为为相近的轨迹的起点坐标，s为起点坐标，||
·
||为欧氏距离，λ为距离阈值，为相近的轨迹的终点坐标，d为终点坐标。
19.可选的，所述基于中点极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标，具体包括：
20.确定所述起点坐标与所述终点坐标的第一连线中点；
21.以所述第一连线中点为极点，以所述第一连线中点到所述起点坐标的方向为极轴，建立第一极坐标系；
22.基于所述第一极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标。
23.可选的，所述基于中点极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标，具体包括：
24.针对每条所述轨迹，确定任一所述轨迹中的起点坐标以及终点坐标的第二连线中点；
25.以所述第二连线中点为极点，以所述第二连线中点到所述轨迹中的起点坐标的方向为极轴，建立多个第二极坐标系；一个所述第二极坐标系对应一条所述轨迹；
26.基于任一个所述第二极坐标系，将与所述第二极坐标系对应的所述轨迹中的任一坐标点的经纬度坐标转换为极坐标，直至将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标。
27.可选的，所述基于中点极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标，具体包括：
28.确定所述起点坐标与所述终点坐标的第一连线中点；
29.从一组轨迹中随机挑选一个轨迹点，以所述第一连线中点为极点，以所述第一连线中点到所述轨迹点的方向为极轴，建立第三极坐标系；
30.基于所述极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标。
31.可选的，所述根据所述极坐标，将所有所述轨迹转化为长度相等的列表型特征，具体包括：
32.将圆周角2π均匀分为k份，每份包含2π/k的弧度范围；
33.将一条所述轨迹上每个坐标点的角坐标分配至k份中的任意一份，并计算分配至任意一份中的所有坐标点的半径坐标的平均值；所述半径坐标的平均值为基于距离的特征；
34.计算分配至任意一份中的坐标点的数量；所述坐标点的数量为基于点数的特征；
35.拼接所述基于距离的特征以及所述基于点数的特征确定列表型特征，直至将所有所述轨迹转化为长度相等的列表型特征。
36.可选的，所述根据所述极坐标，将所有所述轨迹转化为长度相等的列表型特征，具体包括：
37.将半个圆周角π均匀分为k份，每份包含π/k的弧度范围；
38.将一条所述轨迹上每个坐标点的角坐标分配至k份中的任意一份，并计算分配至任意一份中的所有坐标点的半径坐标的平均值；所述半径坐标的平均值为基于距离的特征；
39.统计角坐标在[0,π)间的坐标点的个数以及角坐标在[π,2π)间的坐标点的个数；所述角坐标在[0,π)间的坐标点的个数以及所述角坐标在[π,2π)间的坐标点的个数为基于点数的特征；
[0040]
拼接所述基于距离的特征以及所述基于点数的特征确定列表型特征，直至将所有所述轨迹转化为长度相等的列表型特征。
[0041]
一种轨迹异常检测系统，包括：
[0042]
一组轨迹确定模块，用于获取起点坐标以及终点坐标，并根据所述起点坐标以及所述终点坐标确定一组轨迹；一组轨迹包括多条轨迹；一条轨迹由一系列依时间顺序的坐标点组成；
[0043]
极坐标转换模块，用于基于中点极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标；
[0044]
列表型特征转化模块，用于根据所述极坐标，将所有所述轨迹转化为长度相等的列表型特征；
[0045]
异常检测模块，用于采用适用于列表型特征的异常检测器，对所述列表型特征进行异常检测，确定异常的轨迹。
[0046]
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述轨迹异常检测方法。
[0047]
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的轨迹异常检测方法。
[0048]
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种轨迹异常检测方法、系统及产品，基于中点极坐标系，将一组轨迹中的坐标点的经纬度坐标转换为极坐标；根据所述极坐标，将所有所述轨迹转化为长度相等的列表型特征；采用适用于列表型特征的异常检测器，对所述列表型特征进行异常检测，确定异常的轨迹，对各种轨迹数据情况鲁棒，不依赖于预处理技术，不存在预处理阶段导致异常检测精度低的问题，且将所有轨迹均转化为长度相等的列表型特征，时间复杂度和空间复杂度低，更便于大规模工业应用。
附图说明
[0049]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0050]
图1为本发明所提供的轨迹异常检测方法流程图；
[0051]
图2为本发明所提供的基于中点极坐标系的轨迹数据特征提取的过程示意图；
[0052]
图3为本发明所提供的三种异常的示意图；图3(a)为本发明所提供的异常类型为绕道detour的示意图；图3(b)为本发明所提供的异常类型为扰动perturbation的示意图；图3(c)为本发明所提供的异常类型为换路route-switching的示意图；
[0053]
图4为本发明所提供的三对起始-终止点的路线的示意图。
具体实施方式
[0054]
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他实施例，都属于本发明保护的范围。
[0055]
本发明的目的是提供一种轨迹异常检测方法、系统及产品，提高了异常检测精度，且降低了时间复杂度和空间复杂度。
[0056]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0057]
实施例一
[0058]
图1为本发明所提供的轨迹异常检测方法流程图，如图1所示，一种轨迹异常检测方法，包括：
[0059]
步骤101：获取起点坐标以及终点坐标，并根据所述起点坐标以及所述终点坐标确
定一组轨迹；一组轨迹包括多条轨迹；一条轨迹由一系列依时间顺序的坐标点组成。所述轨迹可以为gps轨迹或北斗卫星导航系统轨迹等等。
[0060]
在实际应用中，所述步骤101具体包括：从所述历史轨迹数据库中，查询所有与所述起点坐标以及所述终点坐标相近的轨迹，确定一组轨迹；其中，所述相近的轨迹为述起点坐标以及所述终点坐标相近的轨迹，确定一组轨迹；其中，所述相近的轨迹为为相近的轨迹的起点坐标，s为起点坐标，||
·
||为欧氏距离，λ为距离阈值，为相近的轨迹的终点坐标，d为终点坐标。
[0061]
一条轨迹由一系列依时间顺序的坐标点组成，即其中，tj为第j条轨迹，i为时间点，为第j条轨迹第i个时间点的坐标，和分别为维度坐标和经度坐标，为第j条轨迹第m个时间点的坐标。
[0062]
给定一个起点坐标s＝{xs,ys}和一个终点坐标d＝{xd,yd}，首先从历史轨迹数据库中找出所有起终点与其相近的轨迹，其中相近定义为库中找出所有起终点与其相近的轨迹，其中相近定义为上式中||
·
||代表欧氏距离，λ为距离阈值。最终得到一组符合要求的轨迹g
s,d,λ
＝{t1,t2,
…
,tj,
…
tn}；tn为第n条轨迹。
[0063]
本发明的目标是找出这组轨迹中的异常轨迹，其中，异常定义为轨迹路线数量相对较少，或与其它路线有较大不同。
[0064]
步骤102：基于中点极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标。
[0065]
在实际应用中，将轨迹里的坐标点的经纬度坐标表示为极坐标，本发明提出了三种方法。
[0066]
a1)所述步骤102具体包括：确定所述起点坐标与所述终点坐标的第一连线中点；以所述第一连线中点为极点，以所述第一连线中点到所述起点坐标的方向为极轴，建立第一极坐标系；基于所述第一极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标。
[0067]
找到起点s和终点d的连线中点m，以其为极点，为极轴建立极坐标系。g
s,d,λ
中任意一条轨迹上的任意一个坐标点可用极坐标表示为其中，角坐标半径坐标
[0068]
a2)所述步骤102具体包括：针对每条所述轨迹，确定任一所述轨迹中的起点坐标以及终点坐标的第二连线中点；以所述第二连线中点为极点，以所述第二连线中点到所述轨迹中的起点坐标的方向为极轴，建立多个第二极坐标系；一个所述第二极坐标系对应一条所述轨迹；基于任一个所述第二极坐标系，将与所述第二极坐标系对应的所述轨迹中的任一坐标点的经纬度坐标转换为极坐标，直至将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标。
[0069]
对于g
s,d,λ
中的一条轨迹找到其自身起点和终点
的连线中点mj，以其为极点，为极轴建立极坐标系。该轨迹上的任意一个坐标点可用极坐标表示为其中，角坐标其中，角坐标半径坐标
[0070]
a3)所述步骤102具体包括：确定所述起点坐标与所述终点坐标的第一连线中点；从一组轨迹中随机挑选一个轨迹点，以所述第一连线中点为极点，以所述第一连线中点到所述轨迹点的方向为极轴，建立第三极坐标系；基于所述极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标。
[0071]
找到起点s和终点d的连线中点m，以其为极点。再从g
s,d,λ
中随机挑选一个轨迹点q，并以为极轴建立极坐标系。g
s,d,λ
中任意一条轨迹上的任意一个坐标点可用极坐标表示为其中其中
[0072]
步骤103：根据所述极坐标，将所有所述轨迹转化为长度相等的列表型特征。
[0073]
在实际应用中，不等长的轨迹数据提取等长的列表型特征，本发明提出了两种方法：
[0074]
b1)所述步骤103具体包括：将圆周角2π均匀分为k份，每份包含2π/k的弧度范围；将一条所述轨迹上每个坐标点的角坐标分配至k份中的任意一份，并计算分配至任意一份中的所有坐标点的半径坐标的平均值；所述半径坐标的平均值为基于距离的特征；计算分配至任意一份中的坐标点的数量；所述坐标点的数量为基于点数的特征；拼接所述基于距离的特征以及所述基于点数的特征确定列表型特征，直至将所有所述轨迹转化为长度相等的列表型特征。
[0075]
将一条轨迹的所有坐标点表示为极坐标的形式后，本发明将圆周角2π均匀分为k份，即每份包含2π/k的弧度范围，表示为然后，根据一条轨迹上每个坐标点的角坐标，将其分配入k份中的某一份，即角坐标，将其分配入k份中的某一份，即
[0076]
所有坐标点都分配完成后，对于分配入中的所有坐标点，计算它们的半径坐标d的平均值并表示为即于是可得本发明将其称为基于距离的特征。
[0077]
再计算分配入中的坐标点的数量，表示为|
·
|代表计算集合中的元素个数，于是可得本发明将其称为基于点数的特征。
[0078]
最后，将两种特征拼接在一起得到最终的特征，即最后，将两种特征拼接在一起得到最终的特征，即
[0079]
b2)所述步骤103具体包括：将半个圆周角π均匀分为k份，每份包含π/k的弧度范围；将一条所述轨迹上每个坐标点的角坐标(超过π的角坐标更改为2π减去该角坐标)分配
至k份中的任意一份，并计算分配至任意一份中的所有坐标点的半径坐标的平均值；所述半径坐标的平均值为基于距离的特征；统计角坐标在[0,π)间的坐标点的个数以及角坐标在[π,2π)间的坐标点的个数；所述角坐标在[0,π)间的坐标点的个数以及所述角坐标在[π,2π)间的坐标点的个数为基于点数的特征；拼接所述基于距离的特征以及所述基于点数的特征确定列表型特征，直至将所有所述轨迹转化为长度相等的列表型特征。
[0080]
将半个圆周角π均匀分为k份，即每份包含π/k的弧度范围，表示为然后，根据一条轨迹上每个坐标点的角坐标，将其分配入k份中的某一份，即
[0081]
所有坐标点都分配完成后，对于分配入中的所有坐标点，计算它们的半径坐标d的平均值并表示为即于是可得本发明将其称为基于距离的特征。
[0082]
然后，统计角坐标在[0,π)间的坐标点的个数，记录为统计角坐标在[π,2π)间的坐标点的个数，记录为于是可得本发明将其称为基于点数的特征。
[0083]
最后，将两种特征拼接在一起得到最终的特征，即最后，将两种特征拼接在一起得到最终的特征，即
[0084]
最终，所有轨迹g
s,d,λ
＝{t1,t2,
…
,tj,
…
tn}被转换为特征列表f＝[f1,f2,
…
,fj,
…fn
]。
[0085]
步骤104：采用适用于列表型特征的异常检测器，对所述列表型特征进行异常检测，确定异常的轨迹。
[0086]
在实际应用中，在转换后的特征上应用任意一种适用于列表型特征的异常检测器，如局部异常因子法(lof)或k近邻法(knn)，完成异常轨迹的检测。
[0087]
在本发明中，均采用lof作为异常检测器。
[0088]
针对步骤102-步骤103，本发明将方法a1 方法b1的组合称为gmipo，方法a1 方法b2的组合称为mipo，方法a1 只使用方法b2中基于距离的特征的组合称为mipod，方法a1 只使用方法b2中基于点数的特征的组合称为mipop，方法a2 方法b2的组合称为pmipo。
[0089]
首先，本发明提供一个mipo的简单实例。如图2所示，mipo从轨迹数据中提取两组特征：基于距离的特征(图2顶部方框b1)和基于点数的特征(图2底部方框b2)，从而将轨迹数据{t1,t2,t3,t4}(图2左下方框a)转换为表格数据[f1,f2,f3,f4](图2右下方框c)。为了提取基于距离的特征，mipo使用中点极坐标表示轨迹数据中的每个点，向量作为参考向量，其中m是起始点s和目的点d的连线中点。然后，每条轨迹中的点可分成三份，如图2方框b1左侧所示。例如，轨迹t1中的点的分布为然后计算每一份中的点与m之间的距离的平均值，结
果为3.4，3.0和2.4。因此t1的基于距离的特征为由于t1中的所有六个点都位于连线sd的一侧，即它们的角度都在0和π之间，因此，t1的基于点数特征为最后，本发明将这两个特征拼接起来作为t1的最终特征，即f1＝[3.4,3.0,2.4,6,0]。
[0090]
其次，本发明基于一个真实的gps行车轨迹数据集设计了一系列完善的实验，以对比本发明与其它异常轨迹检测技术。该数据集包含了葡萄牙波尔图2013年1月7日至2014年1月30日之间442辆出租车的1710670条行车轨迹，其gps采样频率为1/15hz。本发明从该数据集中挑选了3对起始点-终止点，并通过人工挑选轨迹、人工标注异常和人工添加异常相结合的形式构建了12个测试集。其中，人工添加的异常类型有三种，分别为绕道(detour)、扰动(perturbation)和换路(route-switching)。绕道代表司机在正常路线中绕了一大段远路，扰动代表司机在正常路线行驶过程中经常进行小范围的绕路，换路代表司机从一条路线中途换到另一条正常路线。图3为本发明所提供的三种异常的示意图，如图3所示。表1为十二个测试集信息表，具体的测试集信息如表1所示。
[0091]
表1
[0092][0093]
在表1中，aisq-前缀数据集代表基于第一对起始-终止点的路线，stst-前缀数据集代表基于第二对起始-终止点的路线，unch-前缀数据集代表基于第三对起始-终止点的路线。图4为本发明所提供的三对起始-终止点的路线的示意图，如图4所示。
[0094]
在这12个测试集上，对本发明提出的gmipo、mipo、mipod、mipop、pmipo五种实施方案，以及ibat，iboat，rapidlof，lstm，atdc，tpba，elstmae和rnpat八种典型的异常轨迹检测技术进行了测试和对比，并以异常检测领域常用的接受者操作特性曲线下面积(area under receiver operating characteristic curve，auc-roc)作为评价指标。该指标的值在[0,1]之间，且越大代表技术性能越好。表2为5种发明方案和8种对比技术在十二个测试集上的结果表，实验结果如表2所示。
[0095]
表2
[0096][0097]
在表2中，avg、std、media分别代表某方法在所有测试集上的结果的平均值、标准差和中值。从表2中可以看出，在提出的所有方案中，mipo的性能最佳，其平均auc为0.99。与其相比，gmipo的平均auc为0.96，性能稍低，说明方法b2优于方法b1。而mipop和mipod的性能均低于mipo，说明基于距离的特征域基于点数的特征结合后更具优势。pmipo与mipo的性能非常接近，说明方法a1与方法a2并无明显优劣之分。
[0098]
在比较的其它异常轨迹检测技术中，rnpat由于需要城市道路图作为额外信息才能将轨迹与真实道路相匹配，因此并不适用于人工添加了异常路线的测试集，故其无前8个数据集的结果。比较结果显示，在所有测试集上，即无论哪对起始-终止路线、哪种异常轨迹类型以及异常比率如何，mipo均优于所有其它异常轨迹检测技术。同时mipo结果的标准差最小，为0.01，这意味着它具有鲁棒性和稳定性。
[0099]
表3
[0100][0101]
最后，本发明测试了所有技术的运算时间消耗。表3为mipo方案相关以及8种对比技术的运算时间测试表，其结果如表3所示，时间单位均为秒，n代表测试的轨迹的数量，m代表每条轨迹的长度。mipo代表骤102 步骤103的耗时，mipo-代表步骤103的耗时，mipo lof代表步骤102 步骤103 步骤104的耗时。结果显示，在轨迹的中点极坐标已转换好的情况下，对10000条长度为90的轨迹的特征提取只需要大约0.78秒，即平均每个轨迹只需1微秒。而如果算上中点极坐标转换的时间，平均也只需要2.7毫秒来提取每个轨迹的特征。这表明mipo的运行速度非常快，并且可以通过提前将轨迹的中点极坐标转换并存储在数据库中来进一步加速。
[0102]
在横向比较上，与性能上具有竞争力的技术ibat相比，mipo lof的速度几乎是ibat的10倍。如果只考虑mipo-与lof，甚至比ibat快100倍。其余技术中最快的是rapidlof，但从表2的rlof一列中可以看出，其性能相差较多。与基于深度学习的方法lstm和elstmae相比，mipo lof的速度快40倍以上。而由于需要将轨迹映射到道路图上的预处理，rnpat最为耗时。
[0103]
实施例二
[0104]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种轨迹异常检测系统。
[0105]
一种轨迹异常检测系统，包括：
[0106]
一组轨迹确定模块，用于获取起点坐标以及终点坐标，并根据所述起点坐标以及所述终点坐标确定一组轨迹；一组轨迹包括多条轨迹；一条轨迹由一系列依时间顺序的坐标点组成。
[0107]
极坐标转换模块，用于基于中点极坐标系，将每条所述轨迹中的坐标点的经纬度坐标转换为极坐标。
[0108]
列表型特征转化模块，用于根据所述极坐标，将所有所述轨迹转化为长度相等的列表型特征。
[0109]
异常检测模块，用于采用适用于列表型特征的异常检测器，对所述列表型特征进行异常检测，确定异常的轨迹。
[0110]
实施例三
[0111]
本发明实施例提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的轨迹异常检测方法。
[0112]
在实际应用中，上述电子设备可以是服务器。
[0113]
在实际应用中，电子设备包括：至少一个处理器(processor)、存储器(memory)、总线及通信接口(communications interface)。
[0114]
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。
[0115]
通信接口，用于与其它设备进行通信。
[0116]
处理器，用于执行程序，具体可以执行上述实施例所述的方法。
[0117]
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
[0118]
处理器可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0119]
存储器，用于存放程序。存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0120]
基于以上实施例的描述，本技术实施例提供一种存储介质，其上存储有计算机程序指令，计算机程序指令可被处理器执行以实现任意实施例所述的方法
[0121]
本技术实施例的提供的轨迹异常检测系统以多种形式存在，包括但不限于：
[0122]
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
[0123]
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网性能。这类终端包括：pda、mid和umpc设备等，例如ipad。
[0124]
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
[0125]
(4)其他具有数据交互功能的电子设备。
[0126]
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
[0127]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0128]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0129]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0130]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0131]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0132]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0133]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0134]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除
可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、
[0135]
数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备
[0136]
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
[0137]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0138]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0139]
本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0140]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0141]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。