基于自编码器的异常轨迹检测研究综述.docVIP

基于自编码器的异常轨迹检测研究综述

一、轨迹数据特性与异常检测核心挑战

轨迹数据是移动对象在时空维度下连续运动产生的序列记录，普遍具备多维度异质性、时空关联性、分布不均衡性三大核心特性。在维度层面，轨迹数据不仅包含基础的经纬度坐标、时间戳信息，还可拓展出速度、加速度、移动方向、停留点语义标签、移动上下文（如交通方式、天气环境）等多维度特征，不同特征的取值范围、物理意义差异显著，直接输入模型易引发特征权重偏移问题。在关联层面，轨迹点之间存在强时序依赖，相邻点的空间距离、时间间隔、方向变化具备连续性特征，而长距离轨迹点又可能存在周期性关联（如通勤轨迹的每日重复性），忽略此类关联性会导致检测模型误将连续异常片段判定为局部噪声。在分布层面，异常轨迹在整体数据集中占比通常不足5%，且异常类型多样、部分异常样本与正常轨迹特征边界模糊，传统监督学习模型易受样本不平衡影响出现过拟合。

当前异常轨迹检测面临的核心挑战可归纳为三类：一是低质轨迹数据的鲁棒性处理需求，实际采集的轨迹数据常存在采样点丢失、坐标漂移、采样频率不均等问题，如GNSS信号遮挡可能导致连续10%以上的轨迹点缺失，传统基于规则的检测方法（如速度阈值法）易因数据噪声产生大量误报；二是细粒度异常的精准识别需求，异常轨迹可分为点级异常（如单个点坐标偏移）、片段级异常（如连续多个点偏离常规路径）、序列级异常（如整体行驶路径与常规路线完全不同