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！

龙图腾网获悉杭州电子科技大学申请的专利基于LSTM网络和注意力机制的出租车轨迹异常检测方法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：CN114882069B 。

龙图腾网通过国家知识产权局官网在2025-06-24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：202210213647.7，技术领域涉及：G06T7/246；该发明授权基于LSTM网络和注意力机制的出租车轨迹异常检测方法是由段守坚;徐建设计研发完成，并于2022-03-03向国家知识产权局提交的专利申请。

本基于LSTM网络和注意力机制的出租车轨迹异常检测方法在说明书摘要公布了：本发明公开了一种基于LSTM网络和注意力机制的出租车轨迹异常检测方法，包括如下步骤：步骤1：车辆轨迹数据预处理；步骤2：特征提取；步骤3：模型构建与训练；步骤4：输入数据经过嵌入层，LSTM层，注意力层，输出层之后得到期望的输出，若该输出与轨迹的实际类别不同；则反向传播算法则会将误差反向传播至输出层，每层的神经元会根据该误差对网络结构中的参数进行更新，并可视化异常检测结果。本方法所检测出来的异常轨迹更加接近真实情况，而且准确率也更高，有利于对出租车异常轨迹成因的分析操作。

本发明授权基于LSTM网络和注意力机制的出租车轨迹异常检测方法在权利要求书中公布了：1.一种基于LSTM网络和注意力机制的出租车轨迹异常检测方法，包括如下步骤： 步骤1：车辆轨迹数据预处理：收集出租车轨迹数据，轨迹数据是包括由经度、纬度、时间戳三元组p所组成的轨迹序列Tr:p1→p2→…pn，剔除掉原始数据集中的冗余点，噪音点，并将所在地图化身成100*100m的网格，将轨迹转换成网格序列，通过skip-gram将网格序列转换成向量表示，并计算轨迹点的速度转换成对应的道路等级表示；根据城市数据采集当天的实际情况计算提取城市特征点，并将轨迹数据集划分训练集，验证集，测试集； 步骤2：特征提取：将轨迹数据离散化，将轨迹的网格单元ID序列提取位置特征，将连续的时间戳以平均时间间隔离散化提取时间特征，利用滑动窗口算法得到速度特征，将特征速度与位置特征、时间特征相拼接经过word2vec转化成词向量序列构造embedding层； 步骤3：模型构建与训练，构造LSTM-attention模型，将从步骤2中提取的特征作为输入加载到LSTM-attention模型中训练，通过LSTM层提取特征，注意力层区分拐点和非拐点的权重，训练完成后，将作为测试数据集的特征输入到LSTM-attention模型，对模型分类准确性进行验证； 步骤4：输入数据经过嵌入层，LSTM层，注意力层，输出层之后得到期望的输出，若该输出与轨迹的实际类别不同；则反向传播算法则会将误差反向传播至输出层，每层的神经元会根据该误差对网络结构中的参数进行更新，并可视化异常检测结果； 所述车辆轨迹数据预处理包括如下步骤： 步骤1.1：通过车联网数据采集出租车轨迹数据，利用Douglas-Peucker算法过滤掉数据集中冗余采样点数据记录；具体步骤为：将一段轨迹的首末点连接成一条直线,求这段轨迹所有点与这条直线的垂直距离,并找出最大距离值dmax,用dmax与预定义的阈值D相比：若dmaxD,这条曲线上的中间点全部舍去；若dmax≥D，保留dmax对应的坐标点,并以该点为界,把轨迹分为两部分,对这两部分重复上述步骤，直至过滤所有冗余采样点数据； 步骤1.2：判断并去除噪音点，假设Pi-1,Pi,Pi+1为按照采样时间顺序排列的三个点，若Pi为可能的异常点，那么在Pi-1到Pi与Pi到Pi+1的平均速度差别较大；根据速度和时间得到距离，若在ti-1到ti的路径长度小于该时间段内最大可达位移r1，且在时刻ti到ti+1的路径长度小于该时间段内最大可达位移r2，则可以根据出租车最大行驶速度v,r1,r2投影出Pi可能出现的区域，若Pi出现区域之内，则Pi设为正常点，否则为噪音点，需要去除； 步骤1.3：将原始轨迹转换成离散序列，将整个地图划分为100*100m的等大小网格单元，每个网格单元用单独ID进行标记，每个GPS点被转换成其所在网格单元的ID，将轨迹序列转换成网格单元ID序列； 步骤1.4：利用skip-gram模型学习网格的表示，使得相邻的网格在向量空间中有着相似的表示，将轨迹成网格单元ID序列转换成向量； 步骤1.5：计算出轨迹点的速度并利用图将轨迹点的速度转换成对应的道路等级，将轨迹由网格单元ID表示转换成轨迹点速度序列；并根据城市数据采集当天的实际情况计算提取城市特征点； 所述步骤2包括如下步骤： 步骤2.1：滑动窗口特征提取，假如偏移值最大为w，最小为1；每个窗口的移动速度特征有3个维度平均速度，最大速度，最小速度{mean，max，min}，统计数据|max-min|表示窗口速度的变化，如果统计数据|max-min|不为0则更新偏移为先前值一半，直至偏移为1；如果统计数据|max-min|为0，则更新偏移为之前的2倍，直至偏移到达最大值； 步骤2.2：位置信息挖掘，向量表示的网格序列包括轨迹的位置信息； 步骤2.3：时间信息挖掘,将连续的时间戳以平均时间间隔离散化，利用skip-gram模型得到轨迹点对应时间戳的向量表示序列TPi； 步骤2.4：速度信息挖掘，利用步骤2.1得到的轨迹点速度序列以skip-gram模型得到轨迹的点速度序列表示SPi； 所述步骤3包括如下步骤： 步骤3.1：构建嵌入层：将城市特征点和速度序列特征表示连接起来，预训练向量初始化权重，借助传统的词嵌入方法将序列映射到统一的低维向量中； 步骤3.2：构建LSTM层：将嵌入层的输出特征矩阵作为时间序列，在t时刻将特征向量传入输入层，经过激活函数σ输出结果；将输出结果，t-1时刻的隐藏层输出和t-1时刻细胞单元存储的信息输入到LSTM节点中；通过输入门，输出门，遗忘门和cell单元的梳理，输出数据到注意力层中；LSTM的计算公式为： ft＝σgWfxt+Ufct-1+bf it＝σgWixt+Uict-1+bfi ot＝σgWoxt+Uoct-1+bo ct＝ft*ct-1+it*σcWcxt+bc ht＝ot*σhct 其中xt为上一单元的状态，ft为遗忘门，范围为[0,1]；it为输入门，范围为[0,1]； 步骤3.3：构建注意力层，将从步骤3.2中得到的隐藏层状态序列输入到注意力层中，利用Softmax函数对注意力得分进行归一化从而得到权重分布，其计算过程公式可表示为： atj＝vTtanhWsst-1+Whht 其中T为轨迹点的数量，tanh为双曲正切函数，v，Ws，Wh为学习的参数； 步骤3.4：构建输出层：输出层由全连接层，Dropout层，Softmax层组成，经过步骤3.3输出的向量输入到全连接层，Dropout层、Softmax层转为概率；通过argmax函数输出标签纸，即轨迹所属类别y，其当参数矩阵为W，b为偏置时，其计算公式如下： y＝softmaxW·hi+b。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街；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”。