用到的数据集

以下是对文中实验数据的解读：

数据集概况

• 来源：
  数据来自滴滴出行的两个真实世界的出租车轨迹数据集，分别是成都和西安。使用了开放地图项目（OpenStreetMap）获取两地的道路网络。

• 轨迹数量：

  • 成都：677,492 条轨迹。
  • 西安：373,054 条轨迹。

• 道路网络：

  • 道路段数量（segments）：成都 4,885 段，西安 5,052 段。
  • 路口数量（intersections）：成都 12,446 个，西安 13,660 个。

数据处理和标注

1. 轨迹预处理：

   • 采用了流行的地图匹配算法，将原始轨迹转换为地图匹配后的轨迹。
   • 对于起点-终点对（SD-pairs），保留至少包含 25 条轨迹的点对，以确保足够的样本量。
   • 随机抽取 10,000 条轨迹用于训练，其余轨迹用于测试。

2. 标注方式：

   • 抽取了 200 个具有足够轨迹数量的 SD-pairs（每对至少 30 条轨迹，平均 900 条轨迹）。
   • 通过可视化方式由 5 位参与者手动标注异常轨迹。
   • 异常轨迹的定义：由大部分轨迹经过的道路段中显著偏离的轨迹被标注为异常。
   • 质量控制：随机抽取 10% 的轨迹，邀请 5 位其他标注者独立标注，采用多数投票法聚合标签，最终标注的准确率为：
     • 成都：98.7%
     • 西安：94.3%

数据标注结果

• 轨迹与路由（routes）关系：

  • 一条路由可能对应多条原始轨迹，因此路由数量少于原始轨迹数量。

• 标注的路由和异常路由数量：

  数据集	标注路由数	对应原始轨迹数	异常路由数	对应原始轨迹数	异常比例
  成都	1,688	558,098	1,436	3,930	0.7%
  西安	1,057	163,027	813	2,368	1.5%

• 成都的异常比例较低，为 0.7%，而西安的异常比例为 1.5%。

数据采样率

• 数据采样频率为每 2 秒到 4 秒记录一次数据点。

总结来看，研究通过大规模真实数据和高质量标注，构建了一个准确率较高的轨迹数据集，其中包含异常轨迹用于后续算法验证。

在文中，“标注路由数”和“异常路由数”是指交通轨迹研究中特定的分析对象，和路段（segments）以及路口（intersections）的概念不同。以下是对这些概念的解释：

1. 标注路由数（Labeled Routes）

• 定义：
  • 路由（Route）是指车辆从一个起点（S，Start）到一个终点（D，Destination）之间的行驶路径。这些路径由多个道路段（segments）组成，可以是从起点到终点的一条完整路线。
• 与路段、路口的区别：
  • 路段（segments）是道路网的基本构成单位，一个路由通常包括多个连续的路段。
  • 路口（intersections）是道路段之间的连接点，而路由是由多个路段和路口构成的整体路径。
• 标注路由数的意义：
  • 这些路由通过人工标注，确定哪些是正常路径，哪些是异常路径。标注的路由是本研究的核心数据，用于分析交通行为模式和异常检测。

举例：

假设从起点 A 到终点 B 有两条可能路径：

1. 路径 1：A → C → D → B
2. 路径 2：A → E → F → B

这两条完整路径即为两个路由，其中每条路由包含若干道路段和路口。

2. 异常路由数（Anomalous Routes）

• 定义：
  • 异常路由是指与大多数车辆行驶路径显著不同的行驶路线，通常表现为绕路、偏离主路等情况。
• 标注方法：
  • 异常路由由人工标注得出，通过对轨迹的可视化检查，识别哪些路由偏离了“正常路线”。
  • 标注还可能细化到路由中的某些具体段，标注这些部分为异常。
• 与正常路由的对比：
  • 正常路由：由大部分车辆行驶的主要路径。
  • 异常路由：偏离主要路径，可能存在绕行、交通事故规避或恶意绕路等原因。

异常路由的现实例：

• 正常路由：从起点到终点沿直线行驶的路径。
• 异常路由：司机选择了一个绕远的路径，或因临时交通状况绕行，导致路径与常规路线偏差较大。

3. 数据中标注路由数与异常路由数

根据文中：

• 成都：
  • 标注路由数：1,688 条完整路线。
  • 异常路由数：1,436 条，约占 85.1% 的比例。
• 西安：
  • 标注路由数：1,057 条完整路线。
  • 异常路由数：813 条，约占 76.9% 的比例。

这些路由的数量比原始轨迹数少得多，因为多个轨迹可能对应到相同的路由。

总结

• 标注路由数：研究中人工定义的从起点到终点的完整行驶路径。
• 异常路由数：从标注路由中识别出的偏离正常模式的路线。
• 与路段、路口的关系：
  • 一个路由是由多个路段和路口组成的整体行驶路径，而路段和路口是路由的基础单元。

是的，文中明确提到了关于轨迹长度的信息，主要用于将数据集分组，并对模型性能进行评估：

轨迹长度分组

在有效性评估部分，文中提到：

• 将成都数据集按轨迹长度划分为四组：
  • G1: 长度 < 15
  • G2: 15 ≤ 长度 < 30
  • G3: 30 ≤ 长度 < 45
  • G4: 长度 ≥ 45

这种划分方式以轨迹的长度（以单位时间段或单位路段数衡量）为基础，从而评估不同轨迹长度对检测效果的影响。

整体轨迹长度评估

在实验结果中：

• 评估指标（如 F1-score 和 T F1-score）不仅对整个数据集进行评估，还在不同长度组别下分别计算，以观察模型在短轨迹和长轨迹上的性能表现。
• 结果表明，无论轨迹长度如何，RL4OASD 方法在所有分组上的性能都优于基线方法，尤其在长轨迹（如 G3 和 G4 组）上的优势更加显著。

轨迹长度的隐含意义

虽然文中没有直接定义“轨迹长度”的单位，但根据上下文，它可能代表：

1. 轨迹覆盖的道路段数：
   • 即轨迹经过的连续道路段总数。
   • 在之前数据集中，成都每条轨迹覆盖约 139 段，西安约 74 段，可以作为轨迹长度的近似指标。
2. 时间维度的轨迹长度：
   • 如果按采样频率（2-4 秒一次）记录点数计算，长度可能代表轨迹包含的时间段或记录点数。

总结

文中明确提到轨迹长度的分组方式，并且在不同长度的轨迹上分别评估了模型的性能。这表明轨迹长度是检测效果的重要影响因素之一，特别是模型在短轨迹和长轨迹上的适应性有所不同。

文中并未明确说明轨迹数据是否包含具体的坐标信息（如经纬度）。不过，根据上下文和轨迹数据的使用场景，可以推测如下：

推测是否包含坐标数据

1. 轨迹预处理：

   • 文中提到轨迹数据被预处理为“地图匹配后的轨迹”（map-matched trajectories），这通常意味着：
     • 原始轨迹数据可能包含经纬度坐标点。
     • 通过地图匹配算法，这些坐标点被映射到具体的道路段（segments）上。
   • 地图匹配过程通常需要依赖原始的 GPS 坐标数据来确定车辆行驶的具体道路。

2. 异常检测中的“路段”：

   • 轨迹被描述为经过一系列的“道路段”（segments）或“子轨迹”（subtrajectories）。
   • 每条道路段可能由一对起点和终点的坐标表示（地图匹配后的形式）。
   • 因此，轨迹数据可能不直接以原始坐标形式存储，而是经过处理映射到具体的路段或路线。

可能的数据形式

从文中内容可以推测轨迹数据可能具有以下形式之一：

1. 原始 GPS 坐标数据：

   • 在未经过地图匹配前，轨迹通常是由一系列 GPS 坐标点组成，如：

     [(30.123, 120.456), (30.124, 120.457), ...]
     

2. 地图匹配后的路段数据：

   • 经过地图匹配后，轨迹可能被转换为一组道路段的序列（每个道路段可能间接包含坐标信息），例如：

     [Segment_1, Segment_2, Segment_3, ...]
     

     其中，每个道路段可能由其端点的坐标定义。

3. 离散化后的标记数据：

   • 在用于检测时，轨迹数据可能进一步被抽象为离散化表示，比如：

     [Road_ID_1, Road_ID_2, Road_ID_3, ...]
     

     在这种情况下，轨迹不再直接表现为坐标点，但每个 Road_ID 可以通过外部道路网络映射回其对应的地理坐标。

坐标数据的可能用途

即使文中未明确提及，坐标数据可能在以下步骤中发挥作用：

• 地图匹配：
  将原始坐标点映射到具体道路段，生成高精度轨迹。
• 异常轨迹标注：
  通过可视化（如地图上的轨迹显示）帮助人工标注异常轨迹。
• 计算轨迹相似性：
  使用坐标点计算轨迹之间的距离（如 Frechet 距离等）。

结论

虽然文中未明确说明轨迹数据是否直接包含坐标，但从实验描述和数据处理流程看，轨迹数据可能最初包含 GPS 坐标点，通过地图匹配后被转化为道路段或路由的形式。在研究或分析时，原始坐标数据可能作为基础信息存在，但后续处理后可能未直接用作输入数据。

在这个表格中，异常路由数是包含在标注路由数中的，而不是分开的。以下是表格的详细解读：

表格内容解读

每列的含义：

1. 标注路由数（1,688）：

   • 表示在成都数据集中，研究者通过人工标注定义了 1,688 条完整的路由。
   • 路由是从起点到终点的完整路径，可能由多条轨迹（车辆行驶的具体记录）构成。

2. 对应原始轨迹数（558,098）：

   • 表示这 1,688 条标注路由总共包含了 558,098 条原始轨迹。
   • 每条路由可能对应多条原始轨迹，比如多辆车沿着相同路线行驶。

3. 异常路由数（1,436）：

   • 表示在 1,688 条标注路由中，有 1,436 条被标注为异常路由。
   • 这些异常路由是标注数据的一部分，而不是独立的集合。

4. 对应原始轨迹数（3,930）：

   • 这 1,436 条异常路由总共对应了 3,930 条原始轨迹。
   • 说明异常路由在原始轨迹中所占比例较小。

5. 异常比例（0.7%）：

   • 异常轨迹在总轨迹中的比例：( \frac{3,930}{558,098} \times 100% = 0.7% )。
   • 说明异常轨迹在整个数据集中是稀少的。

是否包含关系？

是的，异常路由数 1,436 是 标注路由数 1,688 的子集，而不是分开的：

• 在标注的 1,688 条路由中，有 1,436 条被认定为异常路由，其余则是正常路由。

如何看这个表格？

1. 数据范围：

   • 总共有 558,098 条轨迹，这些轨迹被归纳为 1,688 条路由（即多条轨迹映射到相同的路由）。
   • 在这些路由中，有少量（1,436 条）被标注为异常。

2. 异常轨迹稀疏性：

   • 异常轨迹仅占原始轨迹的 0.7%，说明异常检测是一个稀疏问题，难度较高。

3. 数据质量：

   • 通过这种标注，研究者将复杂的轨迹数据精简为路由级别，同时标注了异常信息，为后续检测任务提供了高质量的训练和评估数据。

总结

异常路由数 1,436 是标注路由数 1,688 的一部分，对应的是一小部分原始轨迹（3,930 条），在整个数据集中的比例较低（0.7%）。这表明异常检测任务需要在大量正常数据中找到少量异常情况，是一个典型的稀疏数据问题。