1.一种基于机器学习的车辆轨迹异常检测方法，其特征在于包括如下步骤：

步骤1：样本准备，车辆轨迹样本数据初始化：令原始车辆轨迹样本数据为Ti＝{(xi,j,yi,j)|j＝1,2,..,mi}，i＝1,2,...,m，同时对Ti进行标注，得到标注集合Z＝{zi|i＝1,

2,...,m}，其中，(xi,j,yi,j)表示第i辆车的轨迹中第j个位置的车辆中心点坐标，mi表示第i辆车的行驶轨迹坐标点数量，m表示车辆轨迹样本数量，zi∈{0,1}，zi＝0表示Ti的轨迹为正常，zi＝1表示Ti的轨迹为异常；对所有Ti进行规范化处理，得到规范化后的矩阵MT，向量差矩阵MV，整合为训练模型输入样本矩阵X；

步骤2：以X和Z作为输入运用多元逻辑回归的机器学习算法进行训练，得到检测模型θ；

步骤3：利用检测模型θ进行待测车辆轨迹异常检测。

2.根据权利要求1所述的一种基于机器学习的车辆轨迹异常检测方法，其特征在于步骤1中的训练模型输入样本矩阵X的规范化处理过程如下：步骤1.1：去除原始车辆轨迹样本数据Ti中重复的坐标点，使原始车辆轨迹样本数据Ti中存在的任意两个坐标点不相同；

步骤1.2：进行坐标点数量规范化，具体为：设规范化后的坐标点数量为N，若车辆行驶轨迹坐标点数量mi大于或等于N，则将原始车辆轨迹样本数据Ti中的前mi-N个坐标点去除；

若车辆行驶轨迹坐标点数量mi小于N，则将原始车辆轨迹样本数据Ti中第1个坐标点复制N-mi次并补充到Ti中第1个坐标点的前面，使所有Ti的坐标点个数均为N，记为Ti＝{(xi,j,yi,j)|j＝1,2,..,N}；则所有的Ti构成规范化矩阵MT＝[(xij,yij)]m×N，其中，所述m×N代表矩阵MT为m行N列矩阵；

步骤1.3：计算坐标点向量差Vi＝{(ai,j,bi,j)|j＝1,2,..,N-1}，i＝1,2,...,m，其中，ai,j＝xi,j+1-xi,j,bi,j＝yi,j+1-yi,j；则所有将V＝{Vi|i＝1,2,…,m}构成向量差矩阵MV＝[(aij,bij)]m×N-1；

步骤1.4：构造训练模型输入样本矩阵X＝[BMTMV]，其中，B＝[1]m×1表示偏执单元向量。

3.根据权利要求2所述的一种基于机器学习的车辆轨迹异常检测方法，其特征在于步骤3中利用检测模型θ进行车辆轨迹异常检测的具体过程如下：采用现有目标跟踪算法得到车辆的轨迹数据Ttest，采用步骤1.1-步骤1.4中的方法对Ttest进行规范化，得到规范化轨迹数据Xtest，并根据式(1)计算异常判断指数p，若p＝1，则判断Ttest的轨迹异常；若p＝0，则判断Ttest的轨迹正常；异常判断指数p的求值公式如式(1)所示：其中，S(x)函数为Sigmoid激活函数。