1.基于邻域重建和图对比学习的交通轨迹异常检测方法，包括以下步骤：S1：选取被广泛使用的交通轨迹数据，对原始数据进行预处理，并定义相应的图结构数据；

S2：重建图结构数据邻域信息捕获属性空间的相似性和差异性；

S3：子图和节点采样获取正负样本对，提取子图嵌入向量的潜在表示；

S4：图对比学习网络捕获嵌入向量的相似性和差异性；

S5：定义异常评分函数；

S6：进行交通轨迹数据异常检测；

所述步骤S1包含如下步骤：

S1.1：选择合适的交通轨迹数据集；

S1.2：清洗原始数据，去除无效或异常记录、填补缺失的节点特征数据；

S1.3：构建图结构数据，将清洗后的Porto交通轨迹数据抽象成图数据；每辆出租车表示为图中的一个节点，节点的特征包括车辆的位置信息、速度、加速度；构建反映城市交通网络的图结构，边的权重根据车辆之间的距离、行驶时间或交通流密度来定义，从而更精准地捕捉交通网络中的动态特征；

S1.4：对于给定无向图G＝(V，E),其中{V1，V2，V3……VN}表示节点的集合，N表示节点的N×D N个数，E表示边的集合；此外，使用节点特征矩阵X∈R 表示节点特征信息，邻接矩阵A∈R×N D表示图结构信息；同时，使用xi∈R 表示节点vi的特征，用di表示每个节点的度；对于邻接矩阵A，如果Aij＝1，则表示节点vi和vj之间存在一条边，否则Aij＝0；

S1.5：对处理好的交通轨迹数据进行划分，将其分为训练样本和测试样本；其中80％用于训练，20％用于测试；

所述步骤S2包含如下步骤：

S2.1：在重建图结构数据邻域信息中，通过图神经网络GNN对节点的接收域进行编码，并在降维空间中重建节点的邻域结构；不仅利用节点表示重建局部邻域信息，还通过引入全局结构信息的对比学习，进一步提升了对节点间复杂关系和属性空间的建模能力；

S2.2：为了捕获属性空间的相似性和差异性，首先通过GNN编码器GNN Encoder迭代地聚合节点的邻居信息来更新节点自身的表示，这种聚合操作能够捕捉节点局部邻域的结构信息以及与直接邻居之间的关系特征；然后通过GNN解码器GNN Decoder解码特征信息。

2.如权利要求1所述的基于邻域重建和图对比学习的交通轨迹异常检测方法，其特征在于：所述步骤S3包含如下步骤：S3.1：提取子图的嵌入向量是交通轨迹异常检测中至关重要的步骤，采用图卷积网络GCN层的方法；在此之前，为了使得到的潜在表示更具判别性，需要提前对子图中目标节点的属性进行掩码；它们的隐含层特征表示可以用下面的公式表示：(l)

其中 表示对称归一化邻接矩阵， 表示第l层的隐藏表示，W 表示权重；

通过GCN提取子图的嵌入向量，模型能够更准确地理解图结构中的特征，为后续的异常检测提供了有力的特征表示；

S3.2：为了增加图中节点之间的连通性，使用跳跃连接来融合底层空间特征；新的池读出模块包括以下步骤；找到k个最大值的索引：然后，在原始邻接矩阵 中提取对应的子图邻接矩阵

此外，元素矩阵乘法来获取新的特征矩阵：

最终，通过distribute(·)运算恢复图的原始结构并获得子图最终表示zi，公式如下：(l+1)

zi＝distribute(0n×c,X ,idx)                (13)相应地，利用MLP将目标节点特征转换至与子图相同的嵌入空间，得到节点的最终表示(l)ei，并与之前的GCN共享权重W ：

(l) (l)

ei＝ σ(X W )                    (14)。

3.如权利要求1所述的基于邻域重建和图对比学习的交通轨迹异常检测方法，其特征在于：所述步骤S4包含如下步骤：S4.1：基于以上操作，得到了正、负样本对的嵌入表示；图对比学习网络捕获嵌入向量的相似性和差异性的流程通过比较正负样本对的相似度来实现；

采用双线性模型来衡量它们之间的关系，通过以下公式计算：然后，使用二元交叉熵(BCE)计算节点‑子图对比训练损失值：同时，还需要在节点之间进行比较，这样更有利于发现节点级异常；节点间对比训练损失可表示为：为了更好地优化子图的嵌入表示和节点的特征识别能力，定义了第三种对比模式，即子图‑子图对比；作为比较流行的对比损耗之一，InfoNCE损耗定义为:一般来说，最小化InfoNCE损失相当于最大化正对视图之间互信息的下界；最后，为了加快模型的收敛速度，对对比学习训练过程中的损失进行了聚合:其中β∈(0,1)是用于平衡节点级异常信息的参数， 是用于平衡子图级异常信息的参数；

通过最大化正样本对的相似度和最小化负样本对的相似度，图对比学习网络通过聚合后的损失函数来优化模型参数，达到使相似的嵌入向量更加接近，不相似的嵌入向量更加分散的目标。

4.如权利要求1所述的基于邻域重建和图对比学习的交通轨迹异常检测方法，其特征在于：所述步骤S5包含如下步骤：S5：通过最小化设定的目标函数，可以计算每个节点的异常得分；通过最小化目标函数，可以计算每个节点的异常得分 在邻域重建模块中，根据节点自重构误差计算异常分数，重建误差以重建特征向量与原始特征向量的差异程度来衡量，可得计算方法：定义 其中 和 分别表示正对和负对的相似度；基于此规则，可以得到对比模块的异常分数：考虑到单次检测存在偶然性，为了避免这种情况的发生，对每个节点进行多次检测，得到每个节点的异常得分，取平均值作为最终的异常得分；上述公式进一步重写为：其中，R表示异常检测的次数。

5.如权利要求1所述的基于邻域重建和图对比学习的交通轨迹异常检测方法，其特征在于：所述步骤S6包含如下步骤：S6.1：以某个异常分数为界限，超过该界限则为异常，反之则正常，即获取阈值Threshold：Threshold＝ POT(ScoreTrain,ScoreTest,δ)             (25)其中POT是一种基于极值理论的统计方法，通过预估的风险值动态的确定阈值，先求出训练样本和测试样本序列中所有点的异常分数，然后设定风险值δ∈(0,1)的大小，得到Threshold；

S6.2：通过计算每次交互的异常分数，形成一个排序列表，高分的异常轨迹，被标记为可能的异常；这样，交通管理部门可以聚焦于高风险的轨迹行为，实现异常行为的及时识别和处理，提升交通安全和效率；通过整合图结构和深度学习技术，交通轨迹异常检测提供了一种高效的解决方案。

6.基于邻域重建和图对比学习的交通轨迹异常检测装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑5中任一项所述的基于邻域重建和图对比学习的交通轨迹异常检测方法。

7.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑5中任一项所述的基于邻域重建和图对比学习的交通轨迹异常检测方法。