基于随机深度网络的航迹分类与异常检测

doi:10.7527/S1000-6893.2024.30883

Abstract

Abstract:

In traditional trajectory similarity research， clustering algorithms have the problems of indistinct trajectory identification results， imprecise clustering， and larger time cost under the condition of high-dimensional data， especially under the condition of complex trajectory. To address these issues， we present a trajectory classification and anomaly detection model based on the improved stochastic depth network. Firstly， we optimize the attention mechanism Squeezed-and-Excitation （SE） module and Global Average Pool （GAP） module based on the ResNet model， and construct a trajectory classification network model. Secondly， in the data processing stage， the continuous spatiotemporal trajectory model is used to convert the discrete trajectory data into continuous data of the trajectory function of time for graph neural network processing. Then， nominal trajectory data is introduced into the training set to realize trajectory classification， with nominal trajectories as the reference. Finally， an improved twin neural network is developed based on the trajectory classification results， and is utilized for abnormal trajectory detection. Comprehensive experiments show that the proposed algorithm can efficiently complete the task of track classification according to nominal trajectories and detect abnormal trajectories accurately， compared with traditional track clustering algorithms.

Key words: trajectory similarity, trajectory classification, stochastic depth ResNet, anomaly detection, civil aviation

CLC Number:

V355

Ge SONG, Pengfei HAN, Yuxiang LUO, Weijun PAN. Trajectory classification and anomaly detection based on stochastic depth ResNet[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(4): 330883.

Figures/Tables 28

Fig.1

Fig.2

Fig.3

Fig.4

Table 1

Fig.5

Fig.6

Table 2

Table 3

Table 4

Fig.7

Fig.8

Fig.9

Fig.10

Fig.11

Table 5

Fig.13

Fig.14

Fig.15

Fig.16

Fig.17

Fig.18

Table 6

Fig.19

Fig.20

Fig.21

Table 7

Fig.22

References 29

1	WANG D， MIWA T， MORIKAWA T. Big trajectory data mining： A survey of methods， applications， and services［J］. Sensors， 2020， 20（16）： 4571.
2	LIU Y， NG K K H， CHU N N， et al. Spatiotemporal image-based flight trajectory clustering model with deep convolutional autoencoder network［J］. Journal of Aerospace Information Systems， 2023， 20（9）： 575-587.
3	DENG W， LI K P， ZHAO H M. A flight arrival time prediction method based on cluster clustering-based modular with deep neural network［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（6）： 6238-6247.
4	刘继新，董欣放，徐晨，等. 基于密度峰值的终端区航迹聚类与异常识别［J］. 交通运输工程学报， 2021， 21（5）： 214-226.
	LIU J X， DONG X F， XU C， et al. Aircraft trajectory clustering in terminal area and anomaly recognition based on density peak［J］. Journal of Traffic and Transportation Engineering， 2021， 21（5）： 214-226 （in Chinese）.
5	WANG C， HUANG J H， WANG Y H， et al. A deep spatiotemporal trajectory representation learning framework for clustering［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（7）： 7687-7700.
6	REDDY B S T， VALARMATHI J. Machine Learning Based Track Classification and Estimation using Kalman Filter［J］. International Journal of Recent Technology and Engineering （IJRTE）， 2020， 9（1）： 1700-1704.
7	王增福，潘泉，陈丽平，等. 基于航路-航迹关联的天波超视距雷达航迹分类［J］. 系统工程与电子技术， 2012， 34（10）： 2018-2022.
	WANG Z F， PAN Q， CHEN L P， et al. Tracks classification based on airway-track association for over-the-horizon radar［J］. Systems Engineering and Electronics， 2012， 34（10）： 2018-2022 （in Chinese）.
8	刘莉. 基于语义分析的航迹优化和分类［D］. 苏州：苏州大学， 2020.
	LIU L. Route optimization and classification based on semantic analysis［D］. Suzhou： Soochow University， 2020 （in Chinese）.
9	王超，王明明，王飞. 基于改进的模糊C-Means航迹聚类方法研究［J］. 中国民航大学学报， 2013， 31（3）： 14-18.
	WANG C， WANG M M， WANG F. Trajectory clustering method research based on improved Fuzzy C-Means［J］. Journal of Civil Aviation University of China， 2013， 31（3）： 14-18 （in Chinese）.
10	杨翠芳，刘硕，李宏博，等. 一种基于随机森林的航迹起始算法［J］. 信息化研究， 2018， 44（6）： 16-20.
	YANG C F， LIU S， LI H B， et al. A new track initiation algorithm based on random forest［J］. Informatization Research， 2018， 44（6）： 16-20 （in Chinese）.
11	GUI X H， ZHANG J F， PENG Z H. Trajectory clustering for arrival aircraft via new trajectory representation［J］. Journal of Systems Engineering and Electronics， 2021， 32（2）： 473-486.
12	OLIVE X， MORIO J. Trajectory clustering of air traffic flows around airports［J］. Aerospace Science and Technology， 2019， 84： 776-781.
13	申正义，李平，王洪林，等. 基于航迹数据的改进DBSCAN聚类算法研究［J］. 空天预警研究学报， 2024， 38（02）： 128-131.
	SHEN Z Y， LI P， WANG H L，et al. Research on improved DBSCAN clustering algorithm based on trajectory data［J］. Journal of Air and Space Warning Research，2024，38（02）：128-131 （in Chinese）.
14	ZENG W L， XU Z F， CAI Z P， et al. Aircraft trajectory clustering in terminal airspace based on deep autoencoder and Gaussian mixture model［J］. Aerospace， 2021， 8（9）： 266.
15	王超，李昊昱，陈含露. 基于形态特征的终端区进场中心航迹识别方法［J］. 科学技术与工程， 2023， 23（26）： 11445-11451.
	WANG C， LI H Y， CHEN H L. Center trajectory extraction in terminal area based on one way distance and density-peak clustering［J］. Science Technology and Engineering， 2023， 23（26）： 11445-11451 （in Chinese）.
16	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90.
17	SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［DB/OL］. arXiv preprint： 1409.1556；2014.
18	SZEGEDY C， LIU W， JIA Y Q， et al. Going deeper with convolutions［C］∥2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2015： 1-9.
19	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2016： 770-778.
20	李超能，冯冠文，姚航，等. 轨迹异常检测研究综述［J］. 软件学报， 2024， 35（2）： 927-974.
	LI C N， FENG G W， YAO H， et al. Survey on trajectory anomaly detection［J］. Journal of Software， 2024， 35（2）： 927-974 （in Chinese）.
21	潘新龙，王海鹏，何友，等. 基于多维航迹特征的异常行为检测方法［J］. 航空学报， 2017， 38（4）： 320442.
	PAN X L， WANG H P， HE Y， et al. Anomalous behavior detection method based on multidimensional trajectory characteristics［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（4）： 320442 （in Chinese）.
22	KUMAR D， BEZDEK J C， RAJASEGARAR S， et al. A visual-numeric approach to clustering and anomaly detection for trajectory data［J］. The Visual Computer， 2017， 33（3）： 265-281.
23	SALARPOUR A， KHOTANLOU H. Direction-based similarity measure to trajectory clustering［J］. IET Signal Processing， 2019， 13（1）： 70-76.
24	饶丹，时宏伟. 基于深度聚类的航空交通流识别与异常检测研究［J］. 计算机科学， 2023， 50（3）： 121-128.
	RAO D， SHI H W. Study on air traffic flow recognition and anomaly detection based on deep clustering［J］. Computer Science， 2023， 50（3）： 121-128 （in Chinese）.
25	王志森，张召悦，冯朝辉，等. 终端区飞行轨迹聚类分析及异常轨迹识别［J］. 科学技术与工程， 2022， 22（9）： 3807-3814.
	WANG Z S， ZHANG Z Y， FENG Z H， et al. Cluster analysis of flight trajectories in terminal area and identification of abnormal trajectories［J］. Science， Technology and Engineering， 2022， 22（9）： 3807-3814 （in Chinese）.
26	王华溢，黄要诚，蔡波. 基于传统方法与深度学习方法的图片相似度算法比较［J］. 计算机系统应用， 2024， 33（2）： 253-264.
	WANG H Y， HUANG Y C， CAI B. Comparison of image similarity algorithms based on traditional methods and deep learning methods［J］. Computer Systems & Applications， 2024， 33（2）： 253-264 （in Chinese）.
27	HUANG G， SUN Y， LIU Z， et al. Deep networks with stochastic depth［M］∥LEIBE B， MATAS J， SEBE N， et al， eds. Lecture Notes in Computer Science. Cham： Springer Cham， 2016： 646-661.
28	LAXHAMMAR R， FALKMAN G. Online learning and sequential anomaly detection in trajectories［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2014， 36（6）： 1158-1173.
29	TAHA A A， HANBURY A. An efficient algorithm for calculating the exact Hausdorff distance［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（11）： 2153-2163.

序号	航班号	日期	起飞机场	目的机场	航迹点数	航迹信息
1	3U3731	2023-08-01	TFU	WUS	150	｛lon， ‍lat，…｝
2	KN5228	2023-08-01	TFU	PKX	114	｛lon， ‍lat，…｝
3	3U6975	2023-08-01	TFU	YTY	196	｛lon， ‍lat，…｝
︙	︙	︙	︙	︙	︙	｛lon， ‍‍lat，…｝
12 063	ZH9569	2023-08-10	NKG	TFU	156	｛lon， ‍lat，…｝

标称航迹名称	航迹集合Ω	具体航迹λ	标称航迹名称	航迹集合Ω	具体航迹λ
AT-9C	Ω₁	Ω₁-λ₁	MU-8K	Ω₄	Ω₄-λ₃
AT-9E	Ω₁	Ω₁-λ₂	MU-9C	Ω₄	Ω₄-λ₄
AT-9G	Ω₁	Ω₁-λ₃	MU-9E	Ω₄	Ω₄-λ₅
AT-9H	Ω₁	Ω₁-λ₄	MU-9G	Ω₄	Ω₄-λ₆
AT-9K	Ω₁	Ω₁-λ₅	MU-9H	Ω₄	Ω₄-λ₇
BO-6H	Ω₂	Ω₂-λ₁	SA-6H	Ω₅	Ω₅-λ₁
BO-6K	Ω₂	Ω₂-λ₂	SA-6K	Ω₅	Ω₅-λ₂
BO-8K	Ω₂	Ω₂-λ₃	SA-8K	Ω₅	Ω₅-λ₃
BO-9C	Ω₂	Ω₂-λ₄	SA-9C	Ω₅	Ω₅-λ₄
BO-9G	Ω₂	Ω₂-λ₅	SA-9E	Ω₅	Ω₅-λ₅
BO-9H	Ω₂	Ω₂-λ₆	SA-9G	Ω₅	Ω₅-λ₆
LU-9C	Ω₃	Ω₃-λ₁	SA-9H	Ω₅	Ω₅-λ₇
LU-9E	Ω₃	Ω₃-λ₂	UB-6K	Ω₆	Ω₆-λ₁
LU-9G	Ω₃	Ω₃-λ₃	UB-8K	Ω₆	Ω₆-λ₂
LU-9H	Ω₃	Ω₃-λ₄	UB-9C	Ω₆	Ω₆-λ₃
LU-9K	Ω₃	Ω₃-λ₅	UB-9E	Ω₆	Ω₆-λ₄
MU-6H	Ω₄	Ω₄-λ₁	UB-9G	Ω₆	Ω₆-λ₅
MU-6K	Ω₄	Ω₄-λ₂	UB-9H	Ω₆	Ω₆-λ₆

混淆矩阵		预测值
混淆矩阵		反例	正例
真实值	反例	TN（真反例）	FP（假正例）
真实值	正例	FN（假反例）	TP（真正例）

环境	版本
操作系统	Windows11
内存	32 GB
CPU	12th Gen Intel Core i7-12700K 3.60 GHz
GPU	NVIDIA GeForce RTX 3070Ti
CUDA	12.2
Python	3.8.16
Pytorch	2.1.1+cu121

评价指标	聚类算法	本文分类算法
学习方式	无监督	有监督
聚类/分类精度	航迹集合	具体标称航迹
输入数据质量要求	较高	较低
时间复杂度	O（N²）	依赖于训练次数

Trajectory classification and anomaly detection based on stochastic depth ResNet

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 28

References 29

Related Articles 10

Recommended Articles

Metrics

Comments

模型	准确率/%	推理速度 item/s
ResNet50	74.4	483
Stochastic50	89.3	834
GAP-SE-Stochastic-ResNet50	94.8	1 000

[1]	Qing GUO, Xiaoyang LIU, Junfeng FAN, Yu FU, Hongfu ZUO. Adaptive gas path fault diagnosis method of civil aviation engine fusing prior information [J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(4): 230871-230871.
[2]	Jiahui HE, Zhijun CHENG, Bo GUO. Telemetry anomaly detection method based on joint dictionary learning and OCSVM [J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(13): 327931-327931.
[3]	WANG Xinglong, SHI Zongbei, CHEN Ziyan. Air traffic network motif recognition and sub-graph structure resilience evaluation [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2021, 42(7): 324715-324715.
[4]	YAN Tijin, XIA Yuanqing, ZHANG Hongwei, WEI Minfeng, ZHOU Tong. An anomaly detection method for irregularly sampled spacecraft time series data [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2021, 42(4): 525019-525019.
[5]	LUO Peng, WANG Buhong, LI Tengyao. ADS-B anomaly data detection model based on BiGRU-SVDD [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2020, 41(10): 323878-323878.
[6]	DING Jianli, ZOU Yunkai, WANG Jing, WANG Huaichao. ADS-B anomaly data detection model based on deep learning [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2019, 40(12): 323220-323220.
[7]	LI Lei, XIE Li, ZHANG Yongjie, WU Qin. Application of data mining in intelligence test of launch vehicles [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2018, 39(S1): 722203-722203.
[8]	ZHANG Chi, LIN Yuzhen, XU Huasheng, XU Quanhong. Development Status and Level of Low Emissions Combustor Technologies for Civil Aero-engine [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2014, 35(2): 332-350.
[9]	LI Yulong, SHI Xiaopeng. Investigation of the Present Status of Research on Bird Impacting on Commercial Airplanes [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2012, 33(2): 189-198.
[10]	Liu Hui;Li Xiaomin;Wang Yinfeng;Zhang Qishan. APPLICATION OF COMBINED GPS AND GLONASS IN CIVIL AVIATION [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 1998, 19(S1): 40-45.