基于LSTM自编码器的有监督车辆轨迹异常检测：完整Python代码实现与评估摘要车辆轨迹异常检测是智能交通系统中的核心任务，旨在从大量轨迹数据中自动识别违反正常行驶规律的异常行为。本实验基于NGSIM（Next Generation Simulation）高速公路车辆轨迹数据集，实现了一个基于LSTM自编码器的有监督车辆轨迹异常检测系统。系统首先对原始轨迹数据进行预处理，提取位置坐标、速度、加速度等多维特征，构建固定长度的轨迹序列；然后设计并实现了LSTM自编码器网络，通过学习正常轨迹的压缩-重构模式，利用重构误差判断轨迹异常与否；进一步引入动态阈值选取策略，基于验证集中标注的异常轨迹重构误差分布自动确定最优检测阈值；最后在测试集上计算AUC-ROC、AUC-PR、准确率、精确率、召回率和F1分数等六项核心评估指标。实验结果表明，所构建的LSTM自编码器模型在高速轨迹数据集上取得了显著的检测性能，验证了深度学习模型在轨迹异常检测任务中的有效性。本文提供了完整的代码实现、详细的模型解释以及全面的实验分析，可作为车辆轨迹异常检测领域的研究参考和工程实践基础。关键词：车辆轨迹；异常检测；LSTM自编码器；有监督学习；时序数据一、引言1.1 研究背景与意义随着全球城市化和机动化进程的加速，城市交通系统和高速公路网络的规模不断扩大，交通安全问题日益凸显。研究表明，交通事故已成为威胁公众生命财产安全的主要因素之一。根据美国国家公路交通安全管理局（NHTSA）的统计，仅2024年前