基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常檢測(cè)方法與系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及通信領(lǐng)域，提出一種基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常檢測(cè)方法，包括以下步驟：步驟1、構(gòu)建基于網(wǎng)格的軌跡，確定最優(yōu)網(wǎng)格大??；步驟2、計(jì)算Hausdroff距離矩陣，利用Hausdroff距離公式計(jì)算基于網(wǎng)格的軌跡集中所有軌跡之間的距離，生成軌跡集的距離矩陣；步驟3、分層聚類，即在軌跡集的Hausdroff距離矩陣的基礎(chǔ)上應(yīng)用自下而上的凝聚分層聚類算法，實(shí)現(xiàn)大規(guī)模軌跡的正常與異常軌跡的分類；步驟4、異常檢測(cè)方法評(píng)估反饋，利用上述方法，對(duì)已經(jīng)有軌跡分類標(biāo)識(shí)的軌跡集的進(jìn)行異常軌跡檢測(cè)，得到異常分類結(jié)果，進(jìn)行對(duì)比后評(píng)估模型參數(shù)是否合理并作出反饋。本發(fā)明的方法可實(shí)現(xiàn)對(duì)異常事件的在線實(shí)時(shí)檢測(cè)，提高集群通信系統(tǒng)的上層調(diào)度指揮效率。
【專利說明】
基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常檢測(cè)方 法與系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及通信技術(shù)領(lǐng)域，具體而言設(shè)及一種基于混合網(wǎng)格分層聚類的集群通信 終端軌跡實(shí)時(shí)異常檢測(cè)方法與系統(tǒng)。
【背景技術(shù)】
[0002] 隨著GPS、RFIDW及無線傳感器等移動(dòng)對(duì)象定位技術(shù)的迅速發(fā)展，越來越多的移動(dòng) 軌跡數(shù)據(jù)被收集和保存在應(yīng)用服務(wù)器。如何快速的從運(yùn)些軌跡數(shù)據(jù)集中發(fā)現(xiàn)有效信息日益 成為一個(gè)令人關(guān)注的研究課題。因此，一系列基于位置信息的服務(wù)化BS)相繼出現(xiàn)，例如：出 租車打車服務(wù)、小孩和老年人的位置監(jiān)護(hù)W及重要設(shè)備的位置管理等。通過電信移動(dòng)運(yùn)營(yíng) 商的無線電通訊網(wǎng)絡(luò)(如GSM網(wǎng)、CDMA網(wǎng)）或外部定位方式(如GPS)獲取移動(dòng)終端用戶的位置 信息(地理坐標(biāo)或大地坐標(biāo)），在地理信息系統(tǒng)(GIS)平臺(tái)的支持下，為用戶提供相應(yīng)服務(wù)的 一種增值業(yè)務(wù)。用戶可W實(shí)時(shí)查看自己關(guān)屯、的家人或車輛的位置信息，為人們的生活帶來 了極大的便利。在很多特定的場(chǎng)景下，人們需要識(shí)別場(chǎng)景中的人或物體的移動(dòng)行為是否符 合規(guī)范。因此，移動(dòng)軌跡的異常檢測(cè)成為了一項(xiàng)十分重要的應(yīng)用。
[0003] 隨著集群通信系統(tǒng)的規(guī)模的迅猛發(fā)展、業(yè)務(wù)的爆炸式增長(zhǎng)，集群通信系統(tǒng)的終端 數(shù)量急劇增長(zhǎng)。目前絕不多數(shù)集群通信系統(tǒng)中的終端都配有GI^或者北斗定位裝置，位置采 集技術(shù)的日益普及促進(jìn)了人們對(duì)時(shí)間-空間數(shù)據(jù)的大規(guī)模采集，從而為發(fā)現(xiàn)珍貴的關(guān)于用 戶移動(dòng)位置的信屯、帶來了新的機(jī)遇。如何在海量的軌跡數(shù)據(jù)中發(fā)現(xiàn)終端的行為異常軌跡是 目前很熱口的課題。目前的異常軌跡檢測(cè)方法在小規(guī)模的軌跡數(shù)據(jù)上表現(xiàn)良好，但是在處 理海量數(shù)據(jù)時(shí)非常耗時(shí)，系統(tǒng)的時(shí)間復(fù)雜度隨著數(shù)據(jù)的規(guī)模變得很大，大大降低了集群通 信系統(tǒng)的調(diào)度效率。

【發(fā)明內(nèi)容】

[0004] 為解決上述問題，本發(fā)明旨在提供一種基于混合網(wǎng)格分層聚類的集群通信終端軌 跡實(shí)時(shí)異常檢測(cè)方法與系統(tǒng)，基于集群通信系統(tǒng)中移動(dòng)終端的軌跡數(shù)據(jù)，利用數(shù)據(jù)挖掘技 術(shù)發(fā)現(xiàn)終端異常軌跡的時(shí)空特點(diǎn)，并W此為依據(jù)實(shí)現(xiàn)對(duì)大規(guī)模軌跡數(shù)據(jù)的異常檢測(cè)，實(shí)現(xiàn) 對(duì)異常事件的在線實(shí)時(shí)檢測(cè)，提高集群通信系統(tǒng)的上層調(diào)度指揮效率。
[0005] 本發(fā)明的上述目的通過獨(dú)立權(quán)利要求的技術(shù)特征實(shí)現(xiàn)，從屬權(quán)利要求W另選或有 利的方式發(fā)展獨(dú)立權(quán)利要求的技術(shù)特征。
[0006] 為達(dá)成上述目的，本發(fā)明提出一種基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí) 時(shí)異常檢測(cè)方法，包括W下步驟：
[0007] 步驟1、構(gòu)建基于網(wǎng)格的軌跡，確定最優(yōu)網(wǎng)格大?。?br>[000引步驟2、計(jì)算化US化off距離矩陣，即利用化US化off距離公式計(jì)算基于網(wǎng)格的軌跡 集中所有軌跡之間的距離，生成軌跡集的距離矩陣M;
[0009] 步驟3、分層聚類，即在軌跡集的化US化off距離矩陣的基礎(chǔ)上應(yīng)用自下而上的凝 聚分層聚類算法，實(shí)現(xiàn)大規(guī)模軌跡的正常與異常軌跡的分類；
[0010] 步驟4、異常檢測(cè)方法評(píng)估反饋，利用上述步驟1~3的方法，對(duì)已經(jīng)有軌跡分類標(biāo) 識(shí)的軌跡集的進(jìn)行異常軌跡檢測(cè)，得到異常分類結(jié)果，并與真實(shí)分類情況進(jìn)行對(duì)比，評(píng)估步 驟1，3中模型參數(shù)是否合理，并作出反饋。
[0011] 根據(jù)本發(fā)明的改進(jìn)，還提出一種基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí) 異常軌跡檢測(cè)系統(tǒng)，該系統(tǒng)包括:服務(wù)調(diào)度中屯、、集群通信網(wǎng)絡(luò)和移動(dòng)定位終端，其中
[0012] 服務(wù)調(diào)度中屯、包括：
[0013] 軌跡文件數(shù)據(jù)庫服務(wù)器，用于存儲(chǔ)所有移動(dòng)定位終端上傳的位置信息；
[0014] 異常軌跡檢測(cè)程序服務(wù)器，用于移動(dòng)定位終端的異常軌跡檢測(cè)，優(yōu)化集群通信的 系統(tǒng)調(diào)度；
[0015] 可視化Web服務(wù)器，用于動(dòng)態(tài)展示移動(dòng)定位終端的歷史軌跡，并將異常軌跡檢測(cè)程 序服務(wù)器計(jì)算得到的異常軌跡顯示在地圖上；
[0016] 軌跡分析程序服務(wù)器包括：
[0017] 網(wǎng)格軌跡構(gòu)建模塊，化US化off距離矩陣計(jì)算模塊、網(wǎng)格軌跡凝聚分層聚類模塊W 及異常檢測(cè)方法評(píng)估反饋模塊。
[0018] 由W上技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明的顯著優(yōu)點(diǎn)在于：
[0019] 1、將原始GPS軌跡數(shù)據(jù)利用網(wǎng)格分割結(jié)構(gòu)轉(zhuǎn)化為網(wǎng)格序列，簡(jiǎn)化了聚類算法的輸 入，大大降低了異常軌跡檢測(cè)算法的時(shí)間復(fù)雜度；
[0020] 2、本發(fā)明利用基于化versine公式的化US化off距離矩陣，可W有效表征網(wǎng)格序列 之間的相似程度；
[0021] 3、本發(fā)明提出的基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常軌跡檢測(cè) 方法和系統(tǒng)，在現(xiàn)有集群通信系統(tǒng)中添加了智能服務(wù)中屯、，利用基于移動(dòng)終端軌跡數(shù)據(jù)分 析技術(shù)為集群通信智能調(diào)度和應(yīng)急防范提供有效地決策。
[0022] 應(yīng)當(dāng)理解，前述構(gòu)思W及在下面更加詳細(xì)地描述的額外構(gòu)思的所有組合只要在運(yùn) 樣的構(gòu)思不相互矛盾的情況下都可W被視為本公開的發(fā)明主題的一部分。另外，所要求保 護(hù)的主題的所有組合都被視為本公開的發(fā)明主題的一部分。
[0023] 結(jié)合附圖從下面的描述中可W更加全面地理解本發(fā)明教導(dǎo)的前述和其他方面、實(shí) 施例和特征。本發(fā)明的其他附加方面例如示例性實(shí)施方式的特征和/或有益效果將在下面 的描述中顯見，或通過根據(jù)本發(fā)明教導(dǎo)的【具體實(shí)施方式】的實(shí)踐中得知。
【附圖說明】
[0024] 附圖不意在按比例繪制。在附圖中，在各個(gè)圖中示出的每個(gè)相同或近似相同的組 成部分可W用相同的標(biāo)號(hào)表示。為了清晰起見，在每個(gè)圖中，并非每個(gè)組成部分均被標(biāo)記。 現(xiàn)在，將通過例子并參考附圖來描述本發(fā)明的各個(gè)方面的實(shí)施例，其中：
[0025] 圖1是根據(jù)本發(fā)明某些實(shí)施例的基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí) 異常軌跡檢測(cè)方法的流程示意圖。
[00%]圖2是根據(jù)本發(fā)明某些實(shí)施例的GI^軌跡構(gòu)建網(wǎng)格序列示例示意圖。
[0027] 圖3是根據(jù)本發(fā)明某些實(shí)施例的網(wǎng)格尺寸與熱點(diǎn)區(qū)域個(gè)數(shù)的關(guān)系曲線示意圖。
[0028] 圖4是根據(jù)本發(fā)明某些實(shí)施例的網(wǎng)格尺寸與軌跡數(shù)據(jù)覆蓋率的關(guān)系曲線示意圖。
[0029] 圖5是根據(jù)本發(fā)明某些實(shí)施例的分層聚類樹狀圖。
[0030] 圖6是根據(jù)本發(fā)明某些實(shí)施例的異常軌跡可視化結(jié)果示意圖。 圖7是移動(dòng)定位終端與服務(wù)調(diào)度中屯、之間經(jīng)過集群通信網(wǎng)絡(luò)進(jìn)行通信的示意圖。
【具體實(shí)施方式】
[0031] 為了更了解本發(fā)明的技術(shù)內(nèi)容，特舉具體實(shí)施例并配合所附圖式說明如下。
[0032] 在本公開中參照附圖來描述本發(fā)明的各方面，附圖中示出了許多說明的實(shí)施例。 本公開的實(shí)施例不必定意在包括本發(fā)明的所有方面。應(yīng)當(dāng)理解，上面介紹的多種構(gòu)思和實(shí) 施例，W及下面更加詳細(xì)地描述的那些構(gòu)思和實(shí)施方式可很多方式中任意一種來實(shí) 施，運(yùn)是因?yàn)楸景l(fā)明所公開的構(gòu)思和實(shí)施例并不限于任何實(shí)施方式。另外，本發(fā)明公開的一 些方面可W單獨(dú)使用，或者與本發(fā)明公開的其他方面的任何適當(dāng)組合來使用。
[0033] 結(jié)合圖1所示，根據(jù)本發(fā)明的實(shí)施例，一種基于混合網(wǎng)格分層聚類的集群通信終端 軌跡實(shí)時(shí)異常檢測(cè)方法，包括W下步驟:步驟1、構(gòu)建基于網(wǎng)格的軌跡，確定最優(yōu)網(wǎng)格大??； 步驟2、計(jì)算化US化off距離矩陣，即利用化US化off距離公式計(jì)算基于網(wǎng)格的軌跡集中所有 軌跡之間的距離，生成軌跡集的距離矩陣Μ;步驟3、分層聚類，即在軌跡集的化US化of f距離 矩陣的基礎(chǔ)上應(yīng)用自下而上的凝聚分層聚類算法，實(shí)現(xiàn)大規(guī)模軌跡的正常與異常軌跡的分 類;步驟4、異常檢測(cè)方法評(píng)估反饋，利用上述步驟1~3的方法，對(duì)已經(jīng)有軌跡分類標(biāo)識(shí)的軌 跡集的進(jìn)行異常軌跡檢測(cè)，得到異常分類結(jié)果，并與真實(shí)分類情況進(jìn)行對(duì)比，評(píng)估步驟1、3 中的參數(shù)是否合理，并作出反饋。
[0034] 上述方案的檢測(cè)方法，基于集群通信系統(tǒng)中移動(dòng)終端的軌跡數(shù)據(jù)，利用數(shù)據(jù)挖掘 技術(shù)發(fā)現(xiàn)終端異常軌跡的時(shí)空特點(diǎn)，并W此為依據(jù)實(shí)現(xiàn)對(duì)大規(guī)模軌跡數(shù)據(jù)的異常檢測(cè)，實(shí) 現(xiàn)對(duì)異常事件的在線實(shí)時(shí)檢測(cè)，提高集群通信系統(tǒng)的上層調(diào)度指揮效率。
[0035] 我們?cè)赪下內(nèi)容中對(duì)前述步驟1-步驟4的實(shí)現(xiàn)做具體的說明。
[0036] 步驟1、構(gòu)建基于網(wǎng)格的軌跡，確定最優(yōu)網(wǎng)格大小
[0037] 傳統(tǒng)分層聚類算法需要軌跡之間兩兩比較距離，假設(shè)軌跡數(shù)據(jù)規(guī)模為N，那么整個(gè) 聚類算法的時(shí)間復(fù)雜度〇(妒）。
[0038] 為了克服傳統(tǒng)算法的缺點(diǎn)，同時(shí)避免路網(wǎng)結(jié)構(gòu)、地圖匹配等因素的限制，本例中提 出一種基于網(wǎng)格的聚類算法。該算法將整個(gè)目標(biāo)區(qū)域劃分為若干個(gè)小網(wǎng)格區(qū)域，并將終端 移動(dòng)軌跡映射為網(wǎng)格序列。
[0039] 給定一條GPS軌跡數(shù)據(jù)T = <(pi，tl)，. . .，（Pi，ti)，. . .（Pn，tn)〉、一個(gè)網(wǎng)格分割結(jié)構(gòu) 和網(wǎng)格容量闊值MinPts，一個(gè)基于網(wǎng)格的軌跡定義為G = <(gi，l/ 1)，. . .，（gj，l/ j)，. . .（gm, t'm)〉，其中g(shù)j = {(Pa，ta)，. . .，（Pe，te)}，t'j = ta，網(wǎng)格容量滿足gj > MinPtS。
[0040] 對(duì)于目標(biāo)區(qū)域中一個(gè)軌跡點(diǎn)p(lat，lng)，該軌跡點(diǎn)對(duì)應(yīng)的網(wǎng)格編號(hào)（t，s)由如下 計(jì)算可得：
[0043] 其中，latmax和Ingmax分別是目標(biāo)區(qū)域經(jīng)締度坐標(biāo)軸上的最大值；latmin和Ingmin分 別是目標(biāo)區(qū)域經(jīng)締度坐標(biāo)軸上的最小值;mat和rung分別是經(jīng)締度坐標(biāo)軸上的網(wǎng)格數(shù)。
[0044] 不同的網(wǎng)格分割結(jié)構(gòu)會(huì)對(duì)接下來的異常檢測(cè)算法性能產(chǎn)生重要的影響。小的網(wǎng)格 更能還原原始GI^軌跡的移動(dòng)特性，但同時(shí)會(huì)使異常檢測(cè)算法的時(shí)間復(fù)雜度大大增加;大的 網(wǎng)格可W降低異常檢測(cè)算法的時(shí)間復(fù)雜度，但由于網(wǎng)格粒度過大會(huì)喪失原始的移動(dòng)特性。
[0045] 因此，本發(fā)明在保持原始軌跡移動(dòng)特性和算法時(shí)間復(fù)雜度之間做了權(quán)衡，獲得最 優(yōu)的網(wǎng)格分割結(jié)構(gòu)。
[0046] 步驟2、計(jì)算化US化off距離矩陣
[0047] 利用化US化off距離公式計(jì)算基于網(wǎng)格的軌跡集中所有軌跡之間的距離，生成軌 跡集的距離矩陣M。
[004引任意兩條基于網(wǎng)格的軌跡之間的無向化US化off距離如下：
[0049]
[(K)加]其中d(p,q)是haversine公式，如下：
[0051] d = 2Rarcsin(h)
[0化^ 其中
（1)。、(1)。和人。、人。分別是6口8 軌跡點(diǎn)的經(jīng)締度，R = 6371 km是地球的近似半徑。
[0053] 步驟3、網(wǎng)格軌跡凝聚分層聚類
[0054] 在軌跡集的化US化off距離矩陣的基礎(chǔ)上應(yīng)用自下而上的凝聚分層聚類算法，實(shí) 現(xiàn)大規(guī)模軌跡的正常與異常軌跡的分類。
[0055] 具體地，分層聚類的過程包括:初始，將每條軌跡分配在不同的簇中，然后根據(jù)最 大距離連接度量準(zhǔn)則，逐步將相似軌跡合并到同一個(gè)簇中。簇合并過程反復(fù)進(jìn)行，直到所有 軌跡最終合并形成一個(gè)大簇。
[0056] 使用聚類樹狀圖的樹形結(jié)構(gòu)實(shí)現(xiàn)對(duì)層次聚類過程的可視化，并且實(shí)現(xiàn)最優(yōu)軌跡分 類距離闊值的確定。
[0057] 本發(fā)明中，異常軌跡被定義為與絕大多數(shù)軌跡遠(yuǎn)離的小部分軌跡。因此，我們將遠(yuǎn) 離絕大多數(shù)軌跡簇的軌跡簇中的軌跡判定為異常軌跡，不同的軌跡集需要根據(jù)聚類樹狀圖 確定合適的分類距離闊值。
[005引步驟4、異常檢測(cè)方法評(píng)估反饋
[0059] 利用上述步驟1~3的方法，對(duì)已經(jīng)有軌跡分類標(biāo)識(shí)的軌跡集的進(jìn)行異常軌跡檢 測(cè)，得到算法計(jì)算出來的異常分類結(jié)果，與真實(shí)分類情況進(jìn)行對(duì)比。在本發(fā)明中，運(yùn)用機(jī)器 學(xué)習(xí)中常用的評(píng)價(jià)標(biāo)準(zhǔn)混淆矩陣、精確度、召回率、F分?jǐn)?shù)，評(píng)估步驟1、3中模型參數(shù)是否合 理，并作出正確的反饋，優(yōu)化異常軌跡算法的正確性和魯棒性。
[0060] 下面結(jié)合附圖1-附圖6所示，更加具體地描述前述各個(gè)步驟的示例性實(shí)現(xiàn)。
[0061 ]步驟 1:
[0062] 將整個(gè)目標(biāo)區(qū)域劃分為若干個(gè)小網(wǎng)格區(qū)域，并將終端GI^軌跡映射為網(wǎng)格序列，如 圖2所示。
[0063] 對(duì)于目標(biāo)區(qū)域中一個(gè)軌跡點(diǎn)p(lat，lng)，該軌跡點(diǎn)對(duì)應(yīng)的網(wǎng)格編號(hào)（t，s)由如下 計(jì)算可得：
[0066] 其中，latmax和Ingmax分別是目標(biāo)區(qū)域經(jīng)締度坐標(biāo)軸上的最大值；latmin和Ingmin分 別是目標(biāo)區(qū)域經(jīng)締度坐標(biāo)軸上的最小值;mat和rung分別是經(jīng)締度坐標(biāo)軸上的網(wǎng)格數(shù)。
[0067] 定義網(wǎng)格中包含GPS軌跡點(diǎn)的個(gè)數(shù)為網(wǎng)格容量，保留滿足網(wǎng)格容量大于MinPts的 網(wǎng)格稱為熱點(diǎn)區(qū)域，由熱點(diǎn)區(qū)域組成網(wǎng)格序列。定義網(wǎng)格序列中包含的GI^軌跡點(diǎn)數(shù)占原始 GPS軌跡點(diǎn)總數(shù)的比率為軌跡數(shù)據(jù)覆蓋率。不同的網(wǎng)格尺寸下的網(wǎng)格分割結(jié)構(gòu)會(huì)導(dǎo)致熱點(diǎn) 區(qū)域個(gè)數(shù)和軌跡數(shù)據(jù)覆蓋率的變化。根據(jù)計(jì)算網(wǎng)格尺寸與熱點(diǎn)區(qū)域、軌跡數(shù)據(jù)覆蓋率的關(guān) 系曲線，最佳網(wǎng)格尺寸可W定為0.6X10-3度。在網(wǎng)格尺寸確定為0.6X10-3度的條件下，將G 原始GI^軌跡轉(zhuǎn)換為網(wǎng)格序列，如圖3、圖4所示。
[006引步驟2:
[0069] 在步驟1計(jì)算得到的網(wǎng)格序列集上，運(yùn)用化US化off距離公式計(jì)算基于網(wǎng)格的軌跡 集中所有軌跡之間的距離，生成軌跡集的距離矩陣M。任意兩條基于網(wǎng)格的軌跡之間的無向 化US化off距離如下：
[0070]
[0071 ]其中d(p,q)是haversine公式，如下：
[0072] d = 2Rarcsin(h)
[007；3]其中
Φρ、Φ。和λρ、λ。分別是GPS 軌跡點(diǎn)的經(jīng)締度，R = 6371 km是地球的近似半徑。
[0074] 表1網(wǎng)格序列的化US化off距離矩陣
[0075]
[0076] 步驟 3:
[0077] 凝聚分層聚類，軌跡類闊值設(shè)定
[0078] 在軌跡集的化US化off距離矩陣的基礎(chǔ)上應(yīng)用自下而上的凝聚分層聚類算法，實(shí) 現(xiàn)大規(guī)模軌跡的正常與異常軌跡的分類。初始，算法將每條軌跡分配在不同的簇中，然后根 據(jù)最大距離連接度量準(zhǔn)則，逐步將相似軌跡合并到同一個(gè)簇中。簇合并過程反復(fù)進(jìn)行，直到 所有軌跡最終合并形成一個(gè)大簇。使用聚類樹狀圖的樹形結(jié)構(gòu)實(shí)現(xiàn)對(duì)層次聚類過程的可視 化，并且實(shí)現(xiàn)最優(yōu)軌跡分類距離闊值的確定，如圖5所示為分層聚類樹狀圖的示例。本發(fā)明 中，異常軌跡被定義為與絕不多數(shù)軌跡遠(yuǎn)離的小部分軌跡。因此，我們將遠(yuǎn)離絕不多數(shù)軌跡 簇的軌跡簇中軌跡判定為異常軌跡，不同的軌跡集需要根據(jù)聚類樹狀圖確定合適的分類距 離闊值。
[0079] 根據(jù)示例樹狀圖中的聚類結(jié)果，軌跡3位于遠(yuǎn)離其他軌跡的簇中，因此軌跡3被標(biāo) 記為異常軌跡，如圖6所示。
[0080] 步驟 4:
[0081] 異常檢測(cè)方法評(píng)估反饋
[0082] 利用上述步驟1~3的方法，對(duì)已經(jīng)有軌跡分類標(biāo)識(shí)的軌跡集的進(jìn)行異常軌跡檢 測(cè)，得到算法計(jì)算出來的異常分類結(jié)果，與真實(shí)分類情況進(jìn)行對(duì)比。在本發(fā)明中，運(yùn)用機(jī)器 學(xué)習(xí)中常用的評(píng)價(jià)標(biāo)準(zhǔn)混淆矩陣、精確度、召回率、F分?jǐn)?shù)，評(píng)估步驟1、3中模型參數(shù)是否合 理，并作出正確的反饋，優(yōu)化異常軌跡算法的正確性和魯棒性。
[0083] 表2異常軌跡檢測(cè)算法性能測(cè)試
[0084]
[0085] ~結(jié)合圖1、圖7所示，根據(jù)本公開，還提出一種基于混合網(wǎng)格分層聚類的集群通信終 端軌跡實(shí)時(shí)異常軌跡檢測(cè)系統(tǒng)，該系統(tǒng)包括:服務(wù)調(diào)度中屯、、集群通信網(wǎng)絡(luò)和移動(dòng)定位終 玉山 乂而。
[0086] 移動(dòng)定位終端與服務(wù)調(diào)度中屯、之間經(jīng)過集群通信網(wǎng)絡(luò)進(jìn)行通信。
[0087] 移動(dòng)定位終端包括數(shù)據(jù)終端、車載終端、單模終端。
[0088] 服務(wù)調(diào)度中屯、包括：
[0089] 軌跡文件數(shù)據(jù)庫服務(wù)器，用于存儲(chǔ)所有移動(dòng)定位終端上傳的位置信息；
[0090] 異常軌跡檢測(cè)程序服務(wù)器，用于移動(dòng)定位終端的異常軌跡檢測(cè)，優(yōu)化集群通信的 系統(tǒng)調(diào)度；
[0091] 可視化Web服務(wù)器，用于動(dòng)態(tài)展示終端的歷史軌跡，并將異常軌跡檢測(cè)程序服務(wù)器 計(jì)算得到的終端異常軌跡顯示在地圖上。
[0092] 軌跡分析程序服務(wù)器包括：
[0093] 網(wǎng)格軌跡構(gòu)建模塊，用于將整個(gè)目標(biāo)區(qū)域劃分為若干個(gè)小網(wǎng)格區(qū)域，并將終端移 動(dòng)軌跡映射為網(wǎng)格序列。給定一條GPS軌跡數(shù)據(jù)T = <(pi，tl)，. . .，（Pi，ti)，. . .（Pn，tn)>和一 個(gè)網(wǎng)格分割結(jié)構(gòu)，一個(gè)基于網(wǎng)格的軌跡定義為G = <(gl，t/l)，...，（gj，t'j)，...（gm，t'm)〉， 其中g(shù)j= {(Pa，ta)，. . .，（Pe，te)}，t'j = ta。
[0094] 對(duì)于目標(biāo)區(qū)域中一個(gè)軌跡點(diǎn)p(lat，lng)，該軌跡點(diǎn)對(duì)應(yīng)的網(wǎng)格編號(hào)（t，s)由如下 計(jì)算可得：
[0097] 其中，latmax和Ingmax分別是目標(biāo)區(qū)域經(jīng)締度坐標(biāo)軸上的最大值；latmin和Ingmin分 別是目標(biāo)區(qū)域經(jīng)締度坐標(biāo)軸上的最小值;niat和rung分別是經(jīng)締度坐標(biāo)軸上的網(wǎng)格數(shù)。不同 的網(wǎng)格分割結(jié)構(gòu)會(huì)對(duì)接下來的異常檢測(cè)算法性能產(chǎn)生重要的影響。小的網(wǎng)格更能還原原始 GPS軌跡的移動(dòng)特性，但同時(shí)會(huì)使異常檢測(cè)算法的時(shí)間復(fù)雜度大大增加;大的網(wǎng)格可W降低 異常檢測(cè)算法的時(shí)間復(fù)雜度，但由于網(wǎng)格粒度過大會(huì)喪失原始的移動(dòng)特性。因此，本發(fā)明在 保持原始軌跡移動(dòng)特性和算法時(shí)間復(fù)雜度之間做了權(quán)衡，獲得最優(yōu)的網(wǎng)格分割結(jié)構(gòu)。
[0098] 化US化off距離矩陣計(jì)算模塊，利用化US化off距離公式計(jì)算基于網(wǎng)格的軌跡集中 所有軌跡之間的距離，生成軌跡集的距離矩陣M。任意兩條基于網(wǎng)格的軌跡之間的無向 化US化off距離如下：
[0099]
[0100] 其中d(p,q)是haversine公式，如下：
[0101] d = 2Rarcsin(h)
[010^ 其牛
Φρ、Φ。和λρ、λ。分別是GPS 軌跡點(diǎn)的經(jīng)締度，R = 6371km是地球的近似半徑。
[0103] 網(wǎng)格軌跡凝聚分層聚類模塊，初始，算法將每條軌跡分配在不同的簇中，然后根據(jù) 最大距離連接度量準(zhǔn)則，逐步將相似軌跡合并到同一個(gè)簇中。簇合并過程反復(fù)進(jìn)行，直到所 有軌跡最終合并形成一個(gè)大簇。使用聚類樹狀圖的樹形結(jié)構(gòu)實(shí)現(xiàn)對(duì)層次聚類過程的可視 化，并且實(shí)現(xiàn)最優(yōu)軌跡分類距離闊值的確定。本發(fā)明中，異常軌跡被定義為與絕不多數(shù)軌跡 遠(yuǎn)離的小部分軌跡。因此，我們將遠(yuǎn)離絕不多數(shù)軌跡簇的軌跡簇中軌跡判定為異常軌跡，不 同的軌跡集需要根據(jù)聚類樹狀圖確定合適的分類距離闊值。
[0104] 異常檢測(cè)評(píng)估反饋模塊，利用上述Ξ個(gè)模塊，對(duì)已經(jīng)有軌跡分類標(biāo)識(shí)的軌跡集的 進(jìn)行異常軌跡檢測(cè)，得到算法計(jì)算出來的異常分類結(jié)果，與真實(shí)分類情況進(jìn)行對(duì)比。在本發(fā) 明中，運(yùn)用機(jī)器學(xué)習(xí)中常用的評(píng)價(jià)標(biāo)準(zhǔn)混淆矩陣、精確度、召回率、F分?jǐn)?shù)，評(píng)估評(píng)估網(wǎng)格軌 跡構(gòu)建模塊、網(wǎng)格軌跡凝聚分層聚類模塊中模型參數(shù)是否合理，并作出正確的反饋，優(yōu)化異 常軌跡算法的正確性和魯棒性。
[0105] 雖然本發(fā)明已W較佳實(shí)施例掲露如上，然其并非用W限定本發(fā)明。本發(fā)明所屬技 術(shù)領(lǐng)域中具有通常知識(shí)者，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作各種的更動(dòng)與潤(rùn)飾。因 此，本發(fā)明的保護(hù)范圍當(dāng)視權(quán)利要求書所界定者為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常檢測(cè)方法，其特征在于， 包括以下步驟： 步驟1、構(gòu)建基于網(wǎng)格的軌跡，確定最優(yōu)網(wǎng)格大?。? 步驟2、計(jì)算Hausdroff距離矩陣，即利用Hausdroff距離公式計(jì)算基于網(wǎng)格的軌跡集中 所有軌跡之間的距離，生成軌跡集的距離矩陣M; 步驟3、分層聚類，即在軌跡集的Hausdroff距離矩陣的基礎(chǔ)上應(yīng)用自下而上的凝聚分 層聚類算法，實(shí)現(xiàn)大規(guī)模軌跡的正常與異常軌跡的分類； 步驟4、異常檢測(cè)方法評(píng)估反饋，利用上述步驟1~3的方法，對(duì)已經(jīng)有軌跡分類標(biāo)識(shí)的 軌跡集的進(jìn)行異常軌跡檢測(cè)，得到異常分類結(jié)果，并與真實(shí)分類情況進(jìn)行對(duì)比，評(píng)估步驟1、 3中模型參數(shù)是否合理，并作出反饋。2. 根據(jù)權(quán)利要求1所述的基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常檢測(cè)方 法，其特征在于，所述步驟1的具體實(shí)現(xiàn)包括以下步驟： 將整個(gè)目標(biāo)區(qū)域劃分為若干個(gè)小網(wǎng)格區(qū)域，并將終端移動(dòng)軌跡映射為網(wǎng)格序列；給定 一條GPS軌跡數(shù)據(jù)T =〈（pi，ti)，· · ·，（pi，ti)，· · ·（pn，tn)>，其中pi是經(jīng)煒度坐標(biāo)值（lati, lngi)，ti是時(shí)間戳，η是軌跡點(diǎn)的數(shù)目，一個(gè)網(wǎng)格分割結(jié)構(gòu)和網(wǎng)格容量閾值MinPts，一個(gè)基于 網(wǎng)格的軌跡定義為6 =〈（81，1:/1)，...，（8」，1:/」），...（8111，1: /111)>，其中8』={(口￡1，1:￡1)，...，（口(3， te)}表示一個(gè)網(wǎng)格，t、= ta表示用第一個(gè)到達(dá)網(wǎng)格幻的軌跡點(diǎn)的時(shí)間戳ta作為到達(dá)網(wǎng)格gj 的時(shí)間戳，-，。，...，（如山彡表示落在網(wǎng)格^內(nèi)的軌跡點(diǎn)^是網(wǎng)格軌跡的網(wǎng)格數(shù)目洞格 容量滿足gj 2MinPts; 對(duì)于目標(biāo)區(qū)域中一個(gè)軌跡點(diǎn)P (1 a t，1 n g)，1 a t和1 n g分別是該軌跡點(diǎn)的經(jīng)煒度值，該軌 跡點(diǎn)對(duì)應(yīng)的網(wǎng)格編號(hào)(t，s)由如下計(jì)算得到：其中，latmax和lngmax分別是目標(biāo)區(qū)域經(jīng)煒度坐標(biāo)軸上的最大值；latmin和lngmin分別是 目標(biāo)區(qū)域經(jīng)煒度坐標(biāo)軸上的最小值;nlat和mng分別是經(jīng)煒度坐標(biāo)軸上的網(wǎng)格數(shù)。3. 根據(jù)權(quán)利要求2所述的基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常檢測(cè)方 法，其特征在于，所述步驟2中，任意兩條基于網(wǎng)格的軌跡P和Q之間的無向Hausdroff距離如 下：其中任意兩個(gè)網(wǎng)格P和q之間的距離d(p，q)是由haversine公式?jīng)Q定，如下： d = 2Rarcsin(h)ΦΡ、(J)q和λρ、λη分別是p和q兩個(gè) GPS軌跡點(diǎn)的煒度和經(jīng)度，R = 6371 km是地球的近似半徑。4. 根據(jù)權(quán)利要求3所述的基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常檢測(cè)方 法，其特征在于，所述步驟3中，分層聚類的過程具體包括： 初始，將每條軌跡分配在不同的簇中，然后根據(jù)最大距離連接度量準(zhǔn)則，逐步將相似軌 跡合并到同一個(gè)簇中； 簇的合并過程反復(fù)進(jìn)行，直到所有軌跡最終合并形成一個(gè)大簇； 其中，使用聚類樹狀圖的樹形結(jié)構(gòu)實(shí)現(xiàn)對(duì)層次聚類過程的可視化，實(shí)現(xiàn)最優(yōu)軌跡分類 距離閾值的確定;并且將異常軌跡定義為與絕大多數(shù)軌跡遠(yuǎn)離的小部分軌跡，因此將遠(yuǎn)離 絕大多數(shù)軌跡簇的軌跡簇中的軌跡判定為異常軌跡，不同的軌跡集根據(jù)聚類樹狀圖確定分 類距離閾值。5. 根據(jù)權(quán)利要求4所述的基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常檢測(cè)方 法，其特征在于，所述步驟4的異常檢測(cè)方法評(píng)估反饋的實(shí)現(xiàn)具體包括： 利用上述步驟1~3的方法，對(duì)已經(jīng)有軌跡分類標(biāo)識(shí)的軌跡集的進(jìn)行異常軌跡檢測(cè)，得 到算法計(jì)算出來的異常分類結(jié)果，與真實(shí)分類情況進(jìn)行對(duì)比，并運(yùn)用機(jī)器學(xué)習(xí)中常用的評(píng) 價(jià)標(biāo)準(zhǔn)混淆矩陣、精確度、召回率以及F分?jǐn)?shù)，評(píng)估步驟1、3中模型參數(shù)是否合理，并作出反 饋，優(yōu)化異常軌跡算法的正確性和魯棒性。6. -種基于混合網(wǎng)格分層聚類的集群通信終端軌跡實(shí)時(shí)異常軌跡檢測(cè)系統(tǒng)，其特征在 于，該系統(tǒng)包括:服務(wù)調(diào)度中心、集群通信網(wǎng)絡(luò)和移動(dòng)定位終端;其中： 移動(dòng)定位終端與服務(wù)調(diào)度中心之間經(jīng)過集群通信網(wǎng)絡(luò)進(jìn)行通信； 服務(wù)調(diào)度中心包括： 軌跡文件數(shù)據(jù)庫服務(wù)器，用于存儲(chǔ)所有移動(dòng)定位終端上傳的位置信息； 異常軌跡檢測(cè)程序服務(wù)器，用于移動(dòng)定位終端的異常軌跡檢測(cè)，優(yōu)化集群通信的系統(tǒng) 調(diào)度；以及 可視化Web服務(wù)器，用于動(dòng)態(tài)展示終端的歷史軌跡，并將異常軌跡檢測(cè)程序服務(wù)器計(jì)算 得到的終端異常軌跡顯示在地圖上； 軌跡分析程序服務(wù)器包括： 網(wǎng)格軌跡構(gòu)建模塊，用于將整個(gè)目標(biāo)區(qū)域劃分為若干個(gè)小網(wǎng)格區(qū)域，并將終端移動(dòng)軌 跡映射為網(wǎng)格序列，其中，給定一條GPS軌跡數(shù)據(jù)T =〈(pi，ti)，· · ·，（pi，ti)，…（pn，tn)>，其 中？1是經(jīng)煒度坐標(biāo)值（latulnglti是時(shí)間戳，η是軌跡點(diǎn)的數(shù)目，一個(gè)網(wǎng)格分割結(jié)構(gòu)和網(wǎng) 格容量閾值MinPts，一個(gè)基于網(wǎng)格的軌跡定義為G =〈（gi，i/ 1)，· · ·，（gj，i/ j)，· · ·（gn^i/m) >，其中g(shù)j= {(Pa，ta)，…，（pe，te)}表示一個(gè)網(wǎng)格，1/ j = ta表示用第一個(gè)到達(dá)網(wǎng)格gj的軌跡 點(diǎn)的時(shí)間戳ta作為到達(dá)網(wǎng)格的時(shí)間戳，（Pa，t a)，. . .，（Pe，te)表示落在網(wǎng)格內(nèi)的軌跡點(diǎn)， m是網(wǎng)格軌跡的網(wǎng)格數(shù)目，網(wǎng)格容量滿足gj 2 MinPts; 對(duì)于目標(biāo)區(qū)域中一個(gè)軌跡點(diǎn)P (1 a t，1 n g)，1 a t和1 n g分別是該軌跡點(diǎn)的經(jīng)煒度值，該軌 跡點(diǎn)對(duì)應(yīng)的網(wǎng)格編號(hào)(t，s)由如下計(jì)算得到：其中，latmax和lngmax分別是目標(biāo)區(qū)域經(jīng)煒度坐標(biāo)軸上的最大值；latmin和lngmin分別是 目標(biāo)區(qū)域經(jīng)煒度坐標(biāo)軸上的最小值;nlat和mng分別是經(jīng)煒度坐標(biāo)軸上的網(wǎng)格數(shù)； Hausdroff距離矩陣計(jì)算模塊，用于利用Hausdroff距離公式計(jì)算基于網(wǎng)格的軌跡集中 所有軌跡之間的距離，生成軌跡集的距離矩陣M，其中任意兩條基于網(wǎng)格的軌跡P和Q之間的 無向Hausdroff距離如下：其中任意兩個(gè)網(wǎng)格P和q之間的距離d(p，q)是haversine公式，如下： d = 2Rarcsin(h)φ ρ、φ q和分別是p和q兩 個(gè)GPS軌跡點(diǎn)的煒度和經(jīng)度，R = 6371 km是地球的近似半徑； 網(wǎng)格軌跡凝聚分層聚類模塊，用于分層聚類，即在軌跡集的Hausdroff距離矩陣的基礎(chǔ) 上應(yīng)用自下而上的凝聚分層聚類算法，實(shí)現(xiàn)大規(guī)模軌跡的正常與異常軌跡的分類，其具體 配置成按照下述方式進(jìn)行聚類:初始，將每條軌跡分配在不同的簇中，然后根據(jù)最大距離連 接度量準(zhǔn)則，逐步將相似軌跡合并到同一個(gè)簇中；簇的合并過程反復(fù)進(jìn)行，直到所有軌跡最 終合并形成一個(gè)大簇;其中，使用聚類樹狀圖的樹形結(jié)構(gòu)實(shí)現(xiàn)對(duì)層次聚類過程的可視化，實(shí) 現(xiàn)最優(yōu)軌跡分類距離閾值的確定;并且將異常軌跡定義為與絕大多數(shù)軌跡遠(yuǎn)離的小部分軌 跡，因此將遠(yuǎn)離絕大多數(shù)軌跡簇的軌跡簇中的軌跡判定為異常軌跡，不同的軌跡集根據(jù)聚 類樹狀圖確定分類距離閾值； 異常檢測(cè)評(píng)估反饋模塊，用于利用上述網(wǎng)格軌跡構(gòu)建模塊、Hausdroff距離矩陣計(jì)算模 塊以及網(wǎng)格軌跡凝聚分層聚類模塊，對(duì)已經(jīng)有軌跡分類標(biāo)識(shí)的軌跡集的進(jìn)行異常軌跡檢 測(cè)，得到異常分類結(jié)果，并與真實(shí)分類情況進(jìn)行對(duì)比，評(píng)估網(wǎng)格軌跡構(gòu)建模塊、網(wǎng)格軌跡凝 聚分層聚類模塊中模型參數(shù)是否合理，并作出反饋。
【文檔編號(hào)】G06K9/62GK105825242SQ201610299087
【公開日】2016年8月3日
【申請(qǐng)日】2016年5月6日
【發(fā)明人】王健, 丁峰, 張李明, 趙康僆, 張乃通
【申請(qǐng)人】南京大學(xué)