买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉贵州民族大学申请的专利移动轨迹大数据驱动的异常轨迹检测方法、系统和电子设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115205086B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210527151.7，技术领域涉及：G06Q50/47；该发明授权移动轨迹大数据驱动的异常轨迹检测方法、系统和电子设备是由夏大文;蒋顺英;李华青;张文勇;冯夫健;杨楠;耿建;徐海龙;邓丽;卢友军;金良琼设计研发完成，并于2022-05-16向国家知识产权局提交的专利申请。

本移动轨迹大数据驱动的异常轨迹检测方法、系统和电子设备在说明书摘要公布了：本发明公开了一种移动轨迹大数据驱动的异常轨迹检测方法，包括以下步骤：S1：获取车辆的移动轨迹数据，对移动轨迹数据进行预处理；S2：提取载客状态下的车辆行驶轨迹数据集，并进行轨迹地图匹配、网格化、相同起始点轨迹对提取以及轨迹增强处理；S3:计算载客状态下的车辆行驶轨迹的实际行驶距离和持续时长特征；S4：对出租车司机绕行的异常轨迹进行新的定义；S5:构建基于实际行驶距离和持续时间的成本因子，并通过成本因子构建ASM‑CF模型，提高异常轨迹检测的准确性；S6：使用ASM‑CF模型对真实的出租车移动轨迹大数据进行检测，解决传统异常轨迹检测方法无法准确识别司机绕行的异常轨迹提高了异常轨迹检测的精确性。

本发明授权移动轨迹大数据驱动的异常轨迹检测方法、系统和电子设备在权利要求书中公布了：1.一种移动轨迹大数据驱动的异常轨迹检测方法，其特征在于，包括以下步骤： S1：获取车辆的移动轨迹数据，对移动轨迹数据进行预处理； S2：提取载客状态下的车辆行驶轨迹数据集，并进行轨迹地图匹配、网格化、相同起始点轨迹对提取以及对所述轨迹对中的轨迹进行增强处理； S3:计算载客状态下的车辆行驶轨迹的实际行驶距离和持续时长特征； S4：重新定义出租车司机绕行的异常轨迹，将异常轨迹定义为在形状上不同且具有较长的实际行驶距离和持续时间的行驶轨迹； S5:构建基于实际行驶距离和持续时间的成本因子，通过成本因子构建ASM-CF模型，并通过ASM-CF模型对真实的出租车移动轨迹大数据进行异常轨迹检测； S6：输出异常轨迹检测结果； 其中，在Hadoop分布式计算平台下，基于Spark并行处理框架，S2的具体操作步骤包括： S201：对预处理后的移动轨迹大数据进行提取，得到运营状态连续为111…10的轨迹数据，其中载客状态记为1，空车状态记为0； S202：对所述运营状态连续为111…10的轨迹数据进行数据剔除，仅保留每一条载客状态下的车辆行驶轨迹的经纬度和时间数据； S203：根据S202处理后的载客状态下的车辆行驶轨迹数据，对其进行地图匹配，得到车辆在实际道路网络上的行驶轨迹； S204：根据S203得到的匹配后的载客状态下的车辆行驶轨迹数据，对道路网络进行栅格化，得到网格序列轨迹，统计网格内起始点数量，提取具有相同起始点的轨迹对； S205：对具有相同起始点的轨迹对内的行驶轨迹进行增强处理，得到以连续网格序列为代表的网格映射轨迹； 其中，S205的具体步骤包括： S2051：将所述轨迹对中的各条行驶轨迹映射到网格尺寸为m的路网中，得到网格映射轨迹； S2052：对S2051的网格映射轨迹进行增强处理，即将轨迹经过的网格全部记录，得到连续的网格映射轨迹； S3的具体步骤包括: S301：基于所述载客状态下的行驶轨迹，根据半正矢公式计算行驶轨迹的实际行驶距离和行驶持续时间以及经度和纬度： ； ； ； ； 其中，为每一条行驶轨迹中的轨迹点总数，分别为当前轨迹点与下一个轨迹点的经度和纬度，和分别为轨迹起始点的时间戳，R为取值6371千米的地球半径； S302：剔除实际行驶距离和持续时间分别小于3千米和5分钟的行驶轨迹； 所述S5的具体步骤包括： S501：计算所述连续的网格映射轨迹之间的轨迹距离，轨迹距离越小则表示两条轨迹的相似性越大；反之，轨迹距离越大则表示两条轨迹的相似性越小，轨迹距离计算公式为： 1 其中，表示连续的网格映射轨迹与连续的网格映射轨迹的网格差集的长度，且，为每一个轨迹对的轨迹总数，表示与的网格并集的长度； S502：根据S301所述的实际行驶距离和持续时间，获得成本因子，并将成本因子进行正则化得到一个[0,1]中的值； 4 5 其中，，为每一个轨迹对的轨迹总数； S503：基于差集和并集得到所述连续的网格映射轨迹基于形状的轨迹得分； 3 其中，表示连续的网格映射轨迹与连续的网格映射轨迹的网格差集的长度，且，为每一个轨迹对的轨迹总数，表示与的网格并集的长度； S504：根据S502中正则化的成本因子和S503中基于形状的轨迹得分构建ASM-CF模型，基于ASM-CF模型得到轨迹的异常得分 6 S505：对每一个轨迹对的异常得分进行降序排序，取每一个轨迹对的第个异常得分为阈值，其中为每一个轨迹对中异常轨迹的数量； S506：将所述的异常得分与所述的阈值进行比较，如果异常得分大于或等于阈值，表明该条行驶轨迹是异常的；反之，表明该条行驶轨迹是正常的。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人贵州民族大学，其通讯地址为：550025 贵州省贵阳市贵安新区贵州民族大学新校区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。