(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111643789.9 (22)申请日 2021.12.2 9 (71)申请人 武汉中海庭数据技 术有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区软件园东路1号软件园4.1期B6栋 1层、 9层、 10层01室(自贸区武汉片区) (72)发明人 漆梦梦　尹玉成　施忠继　阮双双　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 专利代理师 范三霞 (51)Int.Cl. G06N 3/08(2006.01) G06V 10/762(2022.01) G06K 9/62(2022.01) G01S 19/37(2010.01) (54)发明名称 一种模型构建方法、 装置以及异常轨迹点实 时检测方法 (57)摘要 本发明涉及一种模型构建方法、 装置以及异 常轨迹点实时检测方法。 本发明通过获取历史轨 迹数据并对 所述历史轨迹数据进行预处理， 提取 历史轨迹数据中异常轨迹， 构建模型训练数据； 然后提取异常轨迹中每个轨迹点的特征向量， 并 对每个轨迹点进行相对位置编码； 最后将每个轨 迹点的特征向量以及相对位置编码作为输入， 对 transformer网络模型进行训练， 得到异常轨迹 点实时检测模型。 本发明采用基于transformer 模块的神经网络模型， 对时序轨迹序列进行建 模， 对每个轨迹点给出异常和非异常的标签。 提 高异常轨 迹点检测的准确率和效率。 权利要求书2页 说明书6页 附图3页 CN 114511080 A 2022.05.17 CN 114511080 A 1.一种车辆轨迹序列中异常轨迹点实时检测模型的构建方法， 其特征在于， 包括以下 步骤： 获取历史轨迹数据并对所述历史轨迹数据进行预处理， 提取历史轨迹数据中异常轨 迹， 构建模型训练数据； 提取异常轨 迹中每个轨迹点的特 征向量， 并对每 个轨迹点进行相对位置编码； 将每个轨迹点的特征向量以及相对位置编码作为输入， 对transformer网络模型进行 训练， 得到异常轨 迹点实时检测模型； 训练过程中损失函数如下式所示： 式中pi表示异常轨迹中第i个轨迹点预测为异常点的概率， yi为人工标注label值， 异常 点为1， 正常点 值为0。 2.根据权利要求1所述的方法， 其特 征在于， 对所述历史轨 迹数据进行 预处理， 包括： 根据路网网格， 将历史轨迹数据切分成多个轨迹片段组， 一个网格对应一个轨迹片段 组， 一个轨 迹片段组中包 含多个轨 迹片段； 根据路网网格的地理坐标将所述轨迹片段与高精度地图中的道路向量或车道组向量 进行匹配； 采用弗雷歇距离Fr échet distance度量轨迹片段与与其匹配 的道路向量或车道组向 量的相似性； 根据相似度阈值将所述轨迹片段分成正常轨迹片段和异常轨迹片段； 对所述异常轨迹 片段进行 人工质检， 对异常轨 迹片段中的轨 迹点进行 标注后生成模型训练数据。 3.根据权利要求2所述的方法， 其特征在于， 所述的根据路网网格， 将历史轨迹数据切 分成多个轨 迹片段， 包括： 将历史轨 迹数据的经纬度坐标按照3度带U TM投影成平面 坐标； 将路网进行网格划分， 根据所述平面坐标， 利用路网网格将历史轨迹数据切分成多个 轨迹片段组。 4.根据权利要求2所述的方法， 其特征在于， 所述的根据路网网格的地理坐标将所述轨 迹片段与高精度地图中的道路向量或车道组向量进行匹配， 包括： 根据网格的地理坐标获取高精度地图中的道路属性， 在无车道增减的路段提取出道路 向量， 在路口或有车道增减的路段提取 车道向量组； 若根据网格地理坐标提取的是道路向量， 则直接将轨迹片段组与所述道路 向量进行匹 配； 若根据网格地理坐标提取的是车道向量组， 则分别对车道向量组以及轨迹片段组中的 轨迹片段进行聚类， 根据方向一致性， 将车道向量组中的车道向量与轨迹片段组中对应的 子轨迹组进行匹配。 5.根据权利要求2所述的方法， 其特征在于， 在根据路网网格的地理坐标将所述轨迹片 段与高精度地图中的道路向量或车道组向量进行匹配之后， 还包括， 对轨迹片段中的轨迹 点按照高精度地图中道路或车道的形点间隔进行重采样。 6.根据权利要求1所述的方法， 其特征在于， 所述异常轨迹 中每个轨迹点的特征向量的 维度为N， 至少包括： 是否是驻点、 相邻轨迹点时间间隔、 相邻轨迹点航向差值、 相邻轨迹点权　利　要　求　书 1/2 页 2 CN 114511080 A 2距离、 相邻轨 迹点距离 差值。 7.根据权利要求1所述的方法， 其特征在于， 所述的对每个轨迹点进行相对位置编码， 包括： 采用固定步长， 大小为m的滑动窗口分段采集轨 迹片段中的轨 迹点； 对每个轨迹点进行相对位置编码， 位置编码函数如下： N为轨迹点的特 征向量维度， pos为轨 迹点在滑动窗口中的序号； 利用三角函数对相对位置编码值进行激活， 其中pos为偶数时， 采用正弦函数对相对位 置编码值进行激活， pos为奇数时， 采用余弦函数对相对位置编码值进行激活。 8.一种车辆 轨迹序列中异常轨 迹点实时检测模型的构建装置， 其特 征在于， 包括： 预处理模块， 用于获取历史轨迹数据并对所述历史轨迹数据进行预处理， 提取历史轨 迹数据中异常轨 迹， 构建模型训练数据； 特征提取模块， 用于提取异常轨迹中每个轨迹点的特征向量， 并对每个轨迹点进行相 对位置编码； 训练模块， 用于将每个轨迹点的特征向量以及相对位置编码作为输入， 对transformer 网络模型进行训练， 得到异常轨 迹点实时检测模型； 训练过程中损失函数如下式所示： 式中pi表示异常轨迹中第i个轨迹点预测为异常点的概率， yi为人工标注label值， 异常 点为1， 正常点 值为0。 9.一种车辆 轨迹序列中异常轨 迹点实时检测方法， 其特 征在于， 包括以下步骤： 获取待预测轨迹数据， 并提取轨迹数据中各轨迹点的特征向量， 对每个轨迹点进行相 对位置编码； 将所述特征向量及相对位置编码输入到训好了的检测模型中， 进行前向推理得到轨迹 点是否为异常轨迹点的二分类属性， 所述检测模型为通过权利要求1 ‑7任一项所述的一种 车辆轨迹序列中异常轨 迹点实时检测模型的构建方法所构建的检测模型。权　利　要　求　书 2/2 页 3 CN 114511080 A 3