简介：该资源是发表于《计算机应用研究》的学术论文PDF，面向物联网、移动计算与轨迹数据挖掘方向的研究人员及研究生，聚焦移动终端海量轨迹数据中异常行为检测效率偏低的问题。论文提出双层聚类方法：先在特定空间距离与时间间隔下提取停留点集合并做层次聚类，划分停留区域以发现异常停留区域；再对停留区域间的运动轨迹段二次聚类，识别异常轨迹段，实验验证其在检测全面性与速度上优于传统算法。压缩包内仅含1个PDF文件，约689KB，即论文网络首发版全文，包含摘要、关键词、引言、方法设计、实验与结论等完整章节，可直接用于文献研读与方法复现参考。目前已有293人学习下载，适合关注停留点提取、停留区域划分与异常轨迹检测的读者快速把握该方向的技术思路与实验结论。

1. 一份把“停留点”讲透的轨迹异常检测论文，值不值得下

如果你手头正好有一批移动终端导出的 GPS 轨迹点，想找出“这个人哪段路走得不对劲”，大概率会先搜到一堆 TROD、iBAT 之类的老算法，然后发现它们要么只吃空间不吃时间，要么在几十万点规模上跑得让人想砸键盘。这份题为《面向物联网移动终端设备的用户轨迹异常检测研究》的论文，给了一条不太一样的路子：先把轨迹压成“停留点”，再做两层层次聚类，第一层找异常停留区域，第二层找区域之间的异常运动轨迹段。它面向的是物联网移动终端设备里挖出来的时空数据，核心卖点是“既全面又更快”。适合谁？做位置数据挖掘、轨迹取证、行为分析的一线开发者，以及需要把论文方法落成可跑脚本的工程同学。不适合想直接拿现成模型调包的人——它给的是算法骨架和伪代码，不是开箱即用的库。

2. 先立住模型：停留点、双层聚类与轨迹段距离怎么定义

这份论文最值得先啃的不是实验图，而是第 1 章的三个定义。很多轨迹异常项目翻车，不是聚类写错了，是“什么算一个点、什么算一段路”从一开始就没对齐。论文把用户轨迹定义成按时间排序的三元组序列 g=(x, y, t)，x 是经度、y 是纬度、t 是时间戳。这个定义看着朴素，但它决定了后面所有距离计算都建立在“经纬度平面欧氏距离”上，而不是球面距离——这是后面要重点提醒的坑。

2.1 停留点：用空间阈值 Wd 和时间阈值 Wt 把轨迹压扁

停留点的定义是整篇论文的地基。一段连续轨迹点，如果相邻点距离都小于空间阈值 Wd，且这段的起止时间差大于时间阈值 Wt，就合并成一个停留点，坐标取这段所有点的经纬度平均值，同时记录开始时间 t_start 和结束时间 t_stop。论文给的判定条件里还带了点数约束（至少 3 个点），伪代码里写的是k>2。

为什么这一步关键？因为原始轨迹里大量点是“在路上”的冗余采样，真正有行为含义的是“停下来的地方”——睡觉、上班、购物。把停留点提出来，数据量能掉一个数量级，后面的层次聚类才跑得动。论文实验里用微软 Geolife 数据集的用户 002，原始 248217 个轨迹点，提取停留点后空间图形基本保持一致，说明压缩没丢结构。

参数怎么设？论文参考文献取了 Wt=30min、Wd=100m，轨迹段距离权重设为 1/3。这两个值是这套方法的“玄学开关”，后面避坑章节会专门讲它们怎么把结果带偏。

2.2 第一层聚类：对停留点做层次聚类，找离群停留点

停留点提出来之后，第一层聚类用的是自底向上的层次聚类（凝聚式）。两个停留点集合之间的距离，定义为集合内所有停留点两两欧氏距离的平均值，公式是：

d(C_i, C_j) = (1/(N_i·N_j)) · ΣΣ d(s_m, s_n)

每合并一次，就用轮廓系数 R 评估这次聚类结果的好坏，R 越大越好，取值范围 [-1, 1]。算法一路合并到所有点归为一类，过程中记录每次的 R，最后取 R 最大的那次聚类结果，里面偏离主群体的那个小簇就是异常停留点集。

这里有个选型理由值得说清楚：论文明确对比了 DBSCAN，说 DBSCAN 在类间距离过长时邻域半径和最小点数很难定，而停留点聚类本身是小数据量问题，层次聚类不需要预设簇数、也不依赖分布假设。这个判断在实际项目里是站得住的——停留点通常就几百到几千个，层次聚类的 O(n³) 还能忍，换成原始轨迹点直接上层次聚类就是灾难。

2.3 第二层聚类：对停留区域之间的轨迹段再聚一次

第一层聚完，同一簇里的停留点构成一个“停留区域”。轨迹段被分成两类：区域内部的段，和区域之间的段。论文只对区域之间的轨迹段做第二层聚类，因为区域内部的段本质是同一地方不同时间的停留，异常意义不大。

轨迹段之间的距离是加权组合，公式为：

d(p_i, p_j) = w1·d_v(p_i, p_j) + w2·d_θ(p_i, p_j) + w3·d_L(p_i, p_j)

三项分别是速度距离、角度距离、位置距离。速度距离是两段平均速度之差；角度距离是两段偏转角的差，偏转角由连续三个轨迹点连线的夹角决定；位置距离用 Hausdorff 距离，取“一段上每个点到另一段最近点距离”的最大值。论文实验里三个权重都取 1/3。

第二层聚类的流程和第一层一模一样，只是把输入从停留点换成轨迹段、把距离函数换成上面这个组合距离。这就是“双层”两个字的全部含义——不是两个不同算法，是同一套层次聚类框架套了两种距离度量。

3. 动手复现：从数据清洗到双层聚类的可跑骨架

论文给的是伪代码，直接照抄跑不起来。下面这套 Python 骨架是我按论文逻辑补全的，用 numpy 和 scipy 就能跑，不依赖重型框架。数据格式假设是 CSV，三列：lon, lat, timestamp（timestamp 用秒或毫秒都行，后面统一换算）。

3.1 数据清洗：用最大速度 Vmax 剔除跳点

论文 2.1 节的数据清洗逻辑是：按时间排序，算相邻点平均速度，超过 Vmax（实验取 1000 km/h）就删后一个点，反复直到没有超速相邻对。这一步是防 GPS 漂移的后悔药，不做的话一个漂移点就能把停留点判定带歪。

import numpy as np import pandas as pd def clean_trajectory(df, vmax_kmh=1000.0): # df: columns [lon, lat, ts], ts in seconds df = df.sort_values("ts").reset_index(drop=True) keep = [True] * len(df) changed = True while changed: changed = False idx = np.where(keep)[0] for a, b in zip(idx[:-1], idx[1:]): # 平面近似：1 度纬度约 111km，经度按纬度余弦缩放 dlat = (df.lat[b] - df.lat[a]) * 111.0 dlon = (df.lon[b] - df.lon[a]) * 111.0 * np.cos(np.radians(df.lat[a])) dist_km = np.hypot(dlat, dlon) dt_h = max((df.ts[b] - df.ts[a]) / 3600.0, 1e-6) if dist_km / dt_h > vmax_kmh: keep[b] = False changed = True return df[keep].reset_index(drop=True)

逻辑说明：外层while changed对应论文“所有点访问完再比较一次，直到满足条件”，因为删掉一个点后新的相邻对可能又超速。参数vmax_kmh就是论文的 Vmax，实验值 1000，实际城市轨迹建议降到 200～300，否则拦不住漂移。经纬度转公里用的是等距圆柱近似，在单城市尺度误差可接受，跨省数据要换 haversine。

3.2 停留点提取：滑动窗口合并满足 Wd、Wt 的连续点

论文算法 1 是单次遍历，但伪代码里while (d(gi,gi+1) < Wd)那段有 continue 和 i++ 混用的写法问题，直接翻译会死循环。我改成滑动窗口：从当前起点往后扩，只要相邻点距离小于 Wd 就继续扩，扩不动时检查窗口长度和时长，满足就产出一个停留点，否则起点前移一位。

def extract_stay_points(df, wd_m=100.0, wt_s=1800, min_pts=3): pts = df[["lon", "lat", "ts"]].values stay = [] i = 0 n = len(pts) while i < n - 1: j = i while j + 1 < n: dlat = (pts[j+1][1] - pts[j][1]) * 111000.0 dlon = (pts[j+1][0] - pts[j][0]) * 111000.0 * np.cos(np.radians(pts[j][1])) if np.hypot(dlat, dlon) < wd_m: j += 1 else: break cnt = j - i + 1 dur = pts[j][2] - pts[i][2] if cnt >= min_pts and dur > wt_s: stay.append({ "lon": pts[i:j+1, 0].mean(), "lat": pts[i:j+1, 1].mean(), "t_start": pts[i][2], "t_stop": pts[j][2], "n_pts": cnt }) i = j + 1 else: i += 1 return pd.DataFrame(stay)

逻辑说明：wd_m对应论文 Wd（实验 100m），wt_s对应 Wt（实验 30min=1800s），min_pts对应伪代码里的 k>2。注意论文的 Wt 是“停留点结束时间与开始时间差值必须大于 Wt”，所以判断用>不是>=。窗口扩不动但时长不够时，起点只前移一位而不是跳到 j，是为了不丢掉被一个远点打断的长停留——这是论文伪代码没写清、但实际必须这么处理的地方。

3.3 第一层层次聚类：平均连接 + 轮廓系数选最优切分

论文用集合间平均距离做连接准则，用轮廓系数选最优聚类数。scipy 的linkage支持average，但轮廓系数要自己按论文公式算，因为 sklearn 的 silhouette 默认是点级、不是集合级。这里我直接用点级轮廓系数近似，对停留点这种小数据量足够用。

from scipy.cluster.hierarchy import linkage, fcluster from sklearn.metrics import silhouette_score def cluster_stay_points(stay_df, max_k=10): X = stay_df[["lon", "lat"]].values Z = linkage(X, method="average", metric="euclidean") best_k, best_r, best_labels = 2, -2, None for k in range(2, min(max_k, len(X) - 1) + 1): labels = fcluster(Z, k, criterion="maxclust") if len(set(labels)) < 2: continue r = silhouette_score(X, labels) if r > best_r: best_k, best_r, best_labels = k, r, labels stay_df = stay_df.copy() stay_df["cluster"] = best_labels # 最小簇视为离群停留点集 sizes = stay_df["cluster"].value_counts() outlier_cluster = sizes.idxmin() stay_df["is_outlier"] = stay_df["cluster"] == outlier_cluster return stay_df, best_k, best_r

逻辑说明：method="average"对应论文的集合平均距离；max_k是搜索上限，停留点几百个时设 10 够用，设太大轮廓系数会偏向碎簇。sizes.idxmin()取最小簇当异常，是论文“偏离停留点集合”的工程近似——论文没明说怎么从最优聚类里挑离群簇，最小簇是最常用的判据。参数best_r建议打印出来，低于 0.3 说明这批停留点本身没有明显结构，硬聚类就是自欺欺人。

3.4 第二层：轨迹段构造与加权距离聚类

第二层要把停留点序列还原成段。按时间排序停留点，相邻两个停留点之间的原始轨迹点构成一段，只保留两端属于不同停留区域的段。段距离按论文公式三项加权，Hausdorff 用 scipy 的directed_hausdorff。

from scipy.spatial.distance import directed_hausdorff def seg_distance(seg_a, seg_b, w=(1/3, 1/3, 1/3)): # seg: Nx2 array of [lon, lat], 已按时间排序 def speed(seg): d = np.hypot(np.diff(seg[:,0])*111000*np.cos(np.radians(seg[:,1].mean())), np.diff(seg[:,1])*111000) return d.sum() / max(len(seg)-1, 1) def mean_angle(seg): if len(seg) < 3: return 0.0 v1 = seg[1:-1] - seg[:-2] v2 = seg[2:] - seg[1:-1] ang = np.arctan2(v1[:,0]*v2[:,1]-v1[:,1]*v2[:,0], v1[:,0]*v2[:,0]+v1[:,1]*v2[:,1]) return ang.mean() dv = abs(speed(seg_a) - speed(seg_b)) dtheta = abs(mean_angle(seg_a) - mean_angle(seg_b)) dL = max(directed_hausdorff(seg_a, seg_b)[0], directed_hausdorff(seg_b, seg_a)[0]) return w[0]*dv + w[1]*dtheta + w[2]*dL

逻辑说明：速度项单位是米/步，角度项是弧度，位置项是度——三项量纲根本不统一，直接加权在数学上是有问题的，论文也没做归一化。这是复现时最容易被忽略的坑，后面避坑章节展开。w默认 1/3 对应论文实验设置。第二层聚类把seg_distance塞进预计算的距离矩阵，再走一遍linkage(method="average")即可，代码结构和 3.3 一致，不再重复贴。

4. 避坑与排查：这套双层聚类最容易翻车的五个地方

论文的实验环境是 Windows10 + i5-7300HQ + 8G RAM + JDK1.8，数据集是 Geolife 用户 002 的 248217 个点。你按上面骨架跑，大概率会在下面几处卡住。每条按“现象 → 原因 → 解决”写，都是血泪经验。

4.1 停留点数量为 0 或爆炸

现象：提取出来的停留点要么一条没有，要么比原始点还多。原因：Wd 和 Wt 的量纲和采样频率不匹配。Geolife 采样间隔不均匀，有的段几秒一个点，有的段几分钟一个点，Wd=100m 在步行数据里可能连续几十个点都满足，但在车载数据里两个点就跨了几百米。解决：先统计相邻点距离和时间间隔的分布，Wd 取距离中位数的 2～3 倍，Wt 取你关心的“停留”语义下限（找异常停留用 30min，找短暂逗留用 5min）。别直接抄论文的 100m/30min，那是 Geolife 调出来的。

4.2 轮廓系数一直为负，聚类结果没法用

现象：best_r打印出来是负数，最优 k 落在 2，异常簇和正常簇完全混在一起。原因：停留点坐标没做投影，直接用经纬度算欧氏距离，在高纬度地区经度方向被严重压缩；或者数据里混了跨城市的点，类间距离远大于类内。解决：先按城市或按天切分数据，单次聚类不要跨区域；经纬度转局部平面坐标（UTM 或简单的等距圆柱），再算距离。论文用经纬度直接算是因为 Geolife 用户 002 活动范围集中，换数据就得补这一步。

4.3 第二层距离被速度项主导

现象：第二层聚类出来的“异常轨迹段”全是慢速段，跟空间走向无关。原因：速度项单位是米/步，数值可能几百上千，角度项是弧度（0～3.14），位置项是度（0～0.01 量级），三项直接相加，速度项完全压过另外两项。论文权重取 1/3 是在它自己的数据尺度下，换数据就失效。解决：每项先做 min-max 或 z-score 归一化再加权，或者按业务含义手动调权——关心绕路就把位置项权重提到 0.6，关心急转就把角度项提上去。归一化这一步论文没写，但不做就是黑匣子。

4.4 层次聚类 O(n³) 在大数据上直接卡死

现象：停留点超过 3000 个，linkage跑几分钟不出结果，内存飙高。原因：论文自己承认停留点聚类和轨迹段聚类耗时较长，O(n³) 是硬伤。解决：第一层之前先按网格或按天做粗聚合，把停留点压到千级以内；或者用scipy的linkage配合optimal_ordering=False省时间；再不行就换fastcluster库，接口兼容但快一个量级。别在原始轨迹点上直接上层次聚类，那是拿 O(n³) 打 O(10⁵)。

4.5 异常簇判据选错，把正常小众行为当异常

现象：检测出的“异常停留区域”其实是用户每周去一次的健身房，真正的异常反而漏了。原因：论文用“偏离主群体”定义异常，最小簇判据默认“人少=异常”，但低频正常行为和真异常在统计上长得一样。解决：加时间维度过滤——同一停留区域如果周期性出现（比如每周固定时间），标记为正常模式；只有空间离群且时间上无规律重复的才进异常候选。这一步论文没做，是它方法边界所在，落地时必须自己补。

5. 进阶用法：把双层聚类当特征工程，而不是终点

这套方法最容易被误用的地方，是把它当成一个“输入轨迹、输出异常”的黑匣子。实际上论文的贡献在检测框架，不在判别模型——它输出的是“哪些停留点离群、哪些轨迹段离群”，至于这些离群到底是不是真异常，还得靠下游判断。我一般会把双层聚类的结果当特征喂给一个轻量分类器，效果比直接信最小簇稳得多。

具体做法：第一层输出每个停留点的簇标签和到本簇中心的距离，第二层输出每条轨迹段的簇标签和三项距离分量，拼成一个特征向量，人工标注一小批（几十条就够）做逻辑回归或孤立森林。这样既保留了论文“先压缩再聚类”的效率优势，又用监督信号把“低频正常行为”和“真异常”分开。参数上，第一层的 Wd/Wt 和第二层的三项权重就变成了特征工程超参，用交叉验证调，比拍脑袋定 100m/30min 靠谱。

验证方法也得说清楚。论文用运行时间对比文献[4,5,13]证明“更快”，但没给召回率、精确率的绝对值。你自己复现时，至少要做两件事：一是构造注入异常——从正常轨迹里随机挖掉一段换成远距离跳变，看方法能不能检出来，算召回；二是拿真实数据做人工抽检，随机抽 50 条被判异常的段，人工标是不是真异常，算精确率。没有这两个数，“检测全面”就是一句空话。

最后说个习惯。这份论文的伪代码有几处和文字描述对不上（比如算法 1 的循环写法、异常簇的选取规则），我现在的做法是：任何论文方法落地前，先把它的定义和伪代码逐行对一遍，对不上的地方以定义为准、以能跑通为底线，跑通后再回头验证文字结论。这套双层聚类我从头到尾捋了一遍，最大的收获不是算法本身，而是“停留点”这个压缩视角——它把轨迹异常检测从“逐点比对”拉到了“行为单元比对”，这个思路比具体实现更值钱。希望帮到你。

本文还有配套的精品资源，点击获取