Como un tipo emergente de big data espacio-temporal basado en tecnología de posicionamiento y dispositivos de navegación, los datos de crowdsourcing basados en vehículos se han convertido en un recurso valioso de datos de trayectoria. Sin embargo, los datos de trayectoria de crowdsourcing han sido recopilados por no profesionales y con múltiples terminales de medición, lo que resulta en ciertos errores en la recopilación de datos. En estos casos, para minimizar el impacto de los valores atípicos y obtener datos de trayectoria relativamente precisos, es crucial detectar y limpiar los valores atípicos. Este artículo propone un método eficiente de detección de valores atípicos en trayectorias de crowdsourcing (CTOD) que detecta valores atípicos en los datos de secuencia de trayectoria tanto en vista espacial como temporal. Específicamente, primero utilizamos el algoritmo de agrupamiento espacial adaptativo basado en la triangulación de Delaunay (ASCDT) para eliminar los puntos de desplazamiento de ubicación en la secuencia de trayectoria. Después de eso, basándonos en los atributos más básicos de los puntos de trayectoria, se construye un vector de características de movimiento de 6 dimensiones para cada punto como entrada. Los datos de secuencia de trayectoria ricos en características se reconstruyen utilizando el autoencoder de red convolucional temporal propuesto (TCN-AE), y se introduce el mecanismo de atención de canal Squeeze-and-Excitation (SE). Finalmente, la efectividad del método CTOD se verifica experimentalmente.