基于拐点特征的轨迹指纹识别方法在聚类与异常检测中的应用

《Pattern Recognition》:Inflection Point-Based Trajectory Fingerprinting for Clustering and Anomaly Detection

【字体: 大 中 小 】 时间:2025年12月27日 来源:Pattern Recognition 7.6

编辑推荐:

  轨迹聚类与异常检测方法研究

  
卢西娅·朱日奇(Lucija ?u?i?)|弗兰科·赫日奇(Franko Hr?i?)|伊雷娜·佩特里耶夫昌宁(Irena Petrijev?anin)|乔纳坦·莱尔加(Jonatan Lerga)
里耶卡大学工程学院计算机工程系,地址:Vukovarska 58,51000 里耶卡,克罗地亚

摘要

识别运动异常对于海上安全至关重要,尤其是在交通繁忙的区域。本文提出了一种新颖、轻量级且可扩展的轨迹聚类和运动异常检测方法,该方法利用不同轨迹长度和环境下的拐点序列进行检测。通过将轨迹形状变化编码为紧凑的“指纹”,该技术规避了深度学习的计算负担。实验结果表明,所提出的“指纹”方法能够区分异常驾驶模式,为实时异常检测提供了可行的解决方案。本研究提出了一个简单而稳健的轨迹分析框架,适用于个人水上交通工具的监控以及大型海上船舶,为提高安全性和实时决策支持系统奠定了基础。首先对轨迹进行分割,提取拐点,然后使用轨迹“指纹”进行聚类。人类评估实验验证了该方法的有效性,其效果与智能距离控制(IDC)一致;当窗口大小与转向率(ROT)相结合时,准确率可提高到85%或更高。

引言

近年来,由于休闲水上活动的增加以及缺乏经验或鲁莽驾驶者带来的挑战,海上交通(特别是涉及个人水上交通工具的部分)的安全问题日益突出。个人水上交通工具租赁机构越来越多地采用跟踪系统(如OtoTrak [1]),利用全球定位系统(GPS)信号在指定驾驶区域内监控车辆。这些系统在接近其他车辆或在禁止区域作业时执行速度限制等安全措施。然而,这种硬编码的方法可能导致不必要的限制,并无法满足异常检测的复杂实时需求。
海上异常的例子包括在开阔水域随机移动的船舶、突然停止的船舶、行驶距离极短的船舶、频繁绕行的船舶、看似穿越陆地的船舶、偏离预定路线的船舶、超速行驶的船舶以及违反交通规则的船舶等。本文仅关注运动异常,而不涉及是否偏离路线的异常,因为所研究的个人水上交通工具没有固定的行驶路线。运动异常包括船舶运动形状和模式的变化,例如不规则的转向或突然的复杂操作,这些与是否偏离路线无关。对于没有固定行驶路线的个人水上交通工具来说,后者并不适用。由于缺乏经验的驾驶员带来的安全问题和碰撞风险,迫切需要一种轻量级的实时监控系统,这也促使了本文方法的提出。
为了准确界定危险行为,本文使用OtoTrak系统 [1] 中的智能距离控制(IDC)来识别异常。当车辆之间的距离过近、存在碰撞风险时,IDC会触发警报。在研究的2171条轨迹中,有1458条包含了IDC的激活记录。在公共自动识别系统(AIS)数据 [2] 中,通过转向率(ROT)来识别基于转向的运动异常,其中1431条轨迹中有1282条包含非零的ROT,表明存在异常。
尽管在轨迹聚类和海上异常检测方面已经取得了大量研究成果,但在开发适用于小型灵活船舶的轻量级、实时响应方法方面仍存在空白——这类船舶不依赖于固定路线、大量元数据或强大的计算资源。这是首批专注于个人水上交通工具轨迹的研究之一,填补了大多数AIS相关研究的空白。需要能够仅基于运动特征高效总结轨迹以进行聚类和异常检测的可扩展算法。专用数据集和公共AIS数据集中的14个地点证明了该方法的通用性。该方法在个人水上交通工具和大型AIS装备船舶上的验证进一步凸显了其重要性。
本研究介绍了一种利用拐点概念进行轨迹聚类和异常检测的新方法。轨迹通过一系列带有时间戳的GPS数据点来表示,捕捉车辆的移动情况。拐点是指沿 x 和 y 轴方向的运动变化,用于生成轨迹“指纹”。通过将轨迹分割成重叠的窗口并将拐点编码为十六进制表示,该方法在计算效率和捕捉关键特征之间取得了平衡。与更复杂的方法相比,这种简单性使其适用于资源有限的硬件环境。
所提出的方法使用K-means和基于密度的空间聚类算法(DBSCAN)对轨迹进行分类和聚类。与深度学习方法(如循环神经网络(RNN)架构和长短期记忆(LSTM)模型相比,这些方法虽然检测能力强大但计算成本较高,而这种轻量级方法降低了处理负担,适用于实时应用。
该方法的有效性通过大规模的人类评估得到了验证。结果表明,该方法具有出色的可扩展性和准确性,最大的测试窗口尺寸实现了最佳聚类性能,达到了AIS数据 [2] 预定义的85%以上准确率目标。
本研究的主要目标和具体研究内容包括:
  • 1.
    开发一种基于拐点的轻量级轨迹“指纹”技术。
  • 2.
    使用多种算法对轨迹“指纹”进行聚类和分类。
  • 3.
    以超过85%的准确率识别聚类结果中的异常。
  • 4.
    通过广泛的人类评估实验验证所提出的方法。
  • 通过实现这些目标,本研究旨在通过一个简单且计算效率高的异常检测框架来提升海上安全,使其适用于实时动态环境。

    相关研究

    轨迹分析已在多个领域得到广泛应用,包括陆地、空中和海洋的交通运输与监控,以及人类移动模式分析。针对小型灵活车辆(如个人水上交通工具)的异常检测和聚类方法尚不成熟。现有的轨迹聚类和异常检测方法主要集中在大型船舶 [4] 或一般交通情况上。

    数据集

    2022年和2023年7月,在克罗地亚、西班牙、葡萄牙、希腊、加拿大和美国(USA)记录了船舶轨迹。数据库中记录之间的最大时间间隔大于或等于5秒的轨迹被排除,因为预期时间间隔为1秒。此外,数据库中标记为“ERROR”或“TRACKING”的轨迹也被排除。“ERROR”标志表示记录缺失;在“TRACKING”模式下,记录发送的频率低于正常情况。

    方法论

    数据集的空间和时间特性直接影响了方法论的设计,确保了研究的实际应用性和稳健性。图1展示了本研究的基本操作流程,包括数据预处理、拐点检测与编码、轨迹“指纹”生成、使用DBSCAN或K-means进行聚类、异常检测以及人类验证。

    结果与讨论

    与IDC对齐的聚类结果显示,DBSCAN聚类的效果优于用户选择、K-means以及不进行聚类的算法,尤其是在使用20个点的窗口大小进行“指纹”处理时,达到了最高的BA(61.68%)和F1分数(73.15%)。同样,在公共AIS数据集上,DBSCAN的表现也优于K-means,最大测试窗口大小为40时准确率为85.88%。

    结论

    本研究提出了一种基于拐点的轻量级、可扩展的轨迹“指纹”方法,用于有效的海上异常检测和运动特征聚类。该方法在多种数据集上展现了竞争力的准确性和卓越的计算性能,涵盖了从个人水上交通工具(OtoTrak)[1] 到大型AIS装备船舶(如油轮、货船和渔船 [2])的应用范围。其核心优势在于方法的简单性、可解释性和低成本计算要求。

    作者贡献声明

    卢西娅·朱日奇(Lucija ?u?i?):撰写初稿、可视化处理、验证、软件开发、方法论设计、数据整理、概念构建。弗兰科·赫日奇(Franko Hr?i?):撰写初稿、可视化处理、验证、软件开发、方法论设计、数据整理、概念构建。伊雷娜·佩特里耶夫昌宁(Irena Petrijev?anin):监督研究工作、数据分析、形式化分析、概念构建。乔纳坦·莱尔加(Jonatan Lerga):审稿与编辑、撰写初稿、验证、资源协调、项目管理工作。

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

    资金支持

    本研究得到了欧盟Horizon 2020项目INNO2MARE(项目编号101087348)、克罗地亚科学与教育青年部以及克罗地亚-斯洛文尼亚双边科学项目“利用机器学习预测异常轨迹”的支持,同时还得到了里耶卡大学项目(项目编号uniri-mzi-25-1和uniri-zip-2103-4-22)的资助。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号