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、自编码器在异常轨迹检测中的基础架构与核心逻辑

自编码器作为无监督深度学习的代表性模型，其核心架构由编码器、隐层与解码器三部分构成，在异常轨迹检测场景中，这种架构天然适配轨迹数据“正常模式可学习、异常模式偏差可度量”的特性。编码器负责将高维轨迹原始数据映射到低维隐空间，提取轨迹的时空特征、运动模式特征与语义特征；解码器则将隐向量重构回原始轨迹空间，通过计算原始轨迹与重构轨迹之间的误差来判断异常——正常轨迹因模式被模型充分学习，重构误差通常处于较低阈值区间，而异常轨迹因模式偏离训练数据分布，重构误差会显著高于阈值。

传统自编码器在轨迹检测场景中面临的首要挑战是轨迹数据的时空异质性：一方面，轨迹是随时间序列演化的动态数据，不同采样频率、不同运动主体的轨迹长度差异极大；另一方面，轨迹包含的空间信息存在多粒度属性，既包含经纬度、坐标点等微观位置信息，也包含区域、路段、功能区等宏观语义信息。为适配这种特性，研究领域首先对基础自编码器进行了序列适配改造，循环自编码器（RecurrentAutoencoder,RAE）是早期应用最广泛的变体，其编码器与解码器均采用LSTM或GRU单元，能够捕捉轨迹的时间依赖性，实现对可变长度轨迹的处理。在城市出租车轨迹异常检测场景中，RAE可以学习到出租车在早晚高峰时段的常规行驶路线、平均行驶速度、停靠点分布等模式，当轨