[發(fā)明專利]一種基于時空序列的大型活動突發(fā)事件預測分層架構和方法

在審

• 申請?zhí)枺?/td>: 202010111541.7
• 申請日: 2020-02-24
• 公開（公告）號: CN111353637A
• 公開（公告）日: 2020-06-30
• 發(fā)明（設計）人: 丁治明;趙紫琳;曹陽
• 申請（專利權）人: 北京工業(yè)大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06F16/21;G06F16/2458;G06K9/00
• 代理公司: 北京思海天達知識產(chǎn)權代理有限公司 11203
• 代理人: 沈波

1.一種基于時空序列的大型活動突發(fā)事件預測的分層架構，其特征在于：該架構分為傳感器層、活動數(shù)據(jù)采集層、時空數(shù)據(jù)處理層、突發(fā)事件決策層；傳感器層獲取各類傳感器產(chǎn)生的活動感知數(shù)據(jù)；活動數(shù)據(jù)采集層將頻繁采集上傳的傳感器層數(shù)據(jù)作為輸入，構建時空序列模型，對活動進行特定領域、特定小粒度事件的預測：將各種用于活動監(jiān)測的研究算法統(tǒng)一抽象為“邏輯傳感器”，與實體的“物理傳感器”共同產(chǎn)生監(jiān)測數(shù)據(jù)；時空數(shù)據(jù)處理層接入產(chǎn)生的監(jiān)測數(shù)據(jù)，根據(jù)活動觀測記錄在時間及空間方面的特點，對監(jiān)測數(shù)據(jù)空間進行有效地劃分，形成時空序列，并將其存放到歷史數(shù)據(jù)庫中；突發(fā)事件決策層基于活動數(shù)據(jù)采集層的實時監(jiān)測數(shù)據(jù)，以及歷史數(shù)據(jù)庫挖掘分析結(jié)果數(shù)據(jù)，通過時空情景相似性度量及突發(fā)事件預測算法，實現(xiàn)對當前活動未來時間段內(nèi)突發(fā)事件的預測。

2.根據(jù)權利要求1所述的一種基于時空序列的大型活動突發(fā)事件預測的分層架構，其特征在于：在傳感器層中，采樣數(shù)據(jù)是以感知設備為單位進行組織，同一個感知設備的所有采樣數(shù)據(jù)按照時間序列組織在一起，并存放在本地該感知設備的數(shù)據(jù)記錄中；通過無線傳感網(wǎng)絡匯總的數(shù)據(jù)、通過互聯(lián)網(wǎng)數(shù)據(jù)分析導出的數(shù)據(jù)、互聯(lián)網(wǎng)社交媒體數(shù)據(jù)、通過人工系統(tǒng)錄入的事件數(shù)據(jù)均視為感知采樣數(shù)據(jù)；各類感知設備的單個采樣值分為兩大類，即數(shù)值型采樣值和多媒體采樣值。

3.根據(jù)權利要求1所述的一種基于時空序列的大型活動突發(fā)事件預測的分層架構，其特征在于：采用活動數(shù)據(jù)采集層對研究成果進行集成，在活動數(shù)據(jù)采集層中，將傳感器分為物理傳感器和邏輯傳感器，并將兩類傳感器統(tǒng)稱為“監(jiān)控項目”；物理傳感器為部署在活動場館中的實體傳感器。

4.利用權利要求1所述分層架構進行的一種基于時空序列的大型活動突發(fā)事件預測方法，其特征在于：對產(chǎn)生的歷屆大型活動的感知數(shù)據(jù)建立時空序列模型，

時空序列模型為六元組M＝＜G，S，T，H，f^w，f^R＞；

G為歷屆大型活動的感知數(shù)據(jù)空間，表示為：

G＝{G₀，G₂，...，G_n}

其中，n為活動舉辦次數(shù)，任意一次活動G_i則表示歷史活動的感知數(shù)據(jù)集；

活動感知數(shù)據(jù)空間G由監(jiān)控項目的監(jiān)控屬性采集值構成；用S來表示被部署在活動實際場景中的監(jiān)控項目，在k個監(jiān)控項目中，任意一個監(jiān)控項目S_i由m個監(jiān)測屬性組成，表示如下：

其中，x_ij為監(jiān)測項目S_i的第j個監(jiān)測屬性；

用上標t表示時間點，h表示觀測區(qū)域，一個活動某觀測區(qū)域h所有監(jiān)控項目的一次采集數(shù)據(jù)G_i^th表示為：

G_i^th＝{S₁^th，S₂^th，...，S_k^th}＝{{x₁₁^th，x₁₂^th，...，x_1m^th}，...，{x_k1^th，x_k2^th，...，x_km^th}}

其中，t∈T，T為觀測時間集合；h∈H，H為活動觀測區(qū)域集合；

假設不同監(jiān)控項目的監(jiān)測屬性本質(zhì)不能相同，則G_i^th簡化為下式：

G_i^th＝{x₁^th，x₂^th，...，x_n^th}＝U_x∈Gival(x，t，h)

其中，val(x，t，h)表示x屬性在t時刻h區(qū)域的值；

f^w和f^R為G上的兩個函數(shù)，給定一個活動g₀，令t₀為當前時刻，h₀為活動某監(jiān)控區(qū)域，f^w(g₀，t₀，h₀)則返回g₀在時刻t₀區(qū)域h₀的感知數(shù)據(jù)經(jīng)時空劃分后所處時間窗口；

則突發(fā)事件預測問題被定義為：

f^R(G，g₀，t₀)→p，p∈[0，1]

活動感知數(shù)據(jù)以所有監(jiān)控項目的一次采集為單位進行組織，每次采集對應于一條數(shù)據(jù)記錄，數(shù)據(jù)記錄還包含有原始采樣記錄的采集地址及時間，使得時空數(shù)據(jù)處理層在進行時空劃分時考慮活動數(shù)據(jù)的時空特性；所有監(jiān)控項目的歷次采集數(shù)據(jù)形成時間序列；

節(jié)點表示一次采集的監(jiān)測數(shù)據(jù)G_i^th，不同樣式表示不同活動，稱該序列為“原始時空情景時間序列”，表達為：

在時空數(shù)據(jù)處理層中，活動采集的實時數(shù)據(jù)不僅被輸入到突發(fā)事件決策層，以進行當前活動的決策，同時也將存儲于歷史數(shù)據(jù)庫，用于以后活動突發(fā)事件的預測；

將歷史數(shù)據(jù)庫中的時空數(shù)據(jù)按照時間和空間兩個維度進行重新排列：在時間維度，按活動發(fā)生時間劃分時間周期、時間窗口；在空間維度，按物理位置劃分柵格；構造時空序列；

時空序列構建具體方法如下：

在真實活動場景中，不同時間段監(jiān)測屬性數(shù)據(jù)存在周期性規(guī)律，不同活動的相同周期內(nèi)時間段監(jiān)測數(shù)據(jù)特征和規(guī)律具有一定的相似性，引入時間周期和時間窗口的概念；

時間周期是指活動周期性變化的時間間隔，時間窗口為時間周期內(nèi)劃分的時間段，時間窗口用來表達一個周期內(nèi)時間段細粒度劃分；

將歷史時空數(shù)據(jù)空間G中的每個活動，按給定的時間周期、時間窗口進行劃分；令周期長度為p，時間窗口長度w，則活動觀測時間軸T則被劃分為若干個長度為p的有限時間段；劃分時間周期前，不同活動開始時間不同，采集的活動數(shù)據(jù)按活動發(fā)生順序依次沿時間軸排列；劃分后周期后，每個活動的起始時間都映射到相同的初始時間，不同活動的時空數(shù)據(jù)空間沿時間軸線性排列，轉(zhuǎn)換成所有歷史活動都從相同時間開始、且劃分周期和時間窗口的柱狀排列；經(jīng)過變換后，各監(jiān)測數(shù)據(jù)的監(jiān)測時間轉(zhuǎn)化為相對于其所在周期的起始時刻的相對時間，每個活動的監(jiān)測數(shù)據(jù)，轉(zhuǎn)化成帶有時間周期和窗口的時間序列子序列；

在真實活動場景的監(jiān)測中，引入柵格對歷史時空數(shù)據(jù)按活動發(fā)生的物理空間進行空間分割，將活動時空數(shù)據(jù)空間分為實體空間和非實體空間，實體空間為活動場所地理空間，非實體空間為不具備物理場所位置屬性的數(shù)據(jù)空間，數(shù)據(jù)空間無需進行空間分割；

相同區(qū)域內(nèi)的不同監(jiān)測屬性，對于評判是否會發(fā)生突發(fā)事件的重要性并不相同，賦予各監(jiān)測屬性不同的權重，通過調(diào)節(jié)屬性權重來調(diào)整突發(fā)事件預測準確度；

令為柵格集合，對令屬性權重集合為：

W＝{w₁，w₂，...，w_n}＝U_x∈Giw(x，gr_l)

則，時空數(shù)據(jù)空間權重集為：

W＝U_gr∈HW^gr＝U_gr∈HU_x∈Giw(x，gr_l)

經(jīng)空間分割后，時間序列被劃分為多個區(qū)域的時間子序列；且對任意一個區(qū)域，均有多個活動的時間子序列；歷史數(shù)據(jù)庫中的原始時空情景時間序列則被劃分為帶有時間和空間分割的時間子序列集合，稱之為“時空序列”；

活動的歷史監(jiān)測數(shù)據(jù)形成了高維的時空數(shù)據(jù)空間，查詢相似時空情景則為高維空間中監(jiān)測數(shù)據(jù)的檢索過程；令空間G為歷史時空數(shù)據(jù)空間，則監(jiān)測數(shù)據(jù)為數(shù)據(jù)空間G中的點，每個監(jiān)測數(shù)據(jù)G_i^th即表示為一個向量：＜x₁^th，x₂^th...，x_n^th＞(G_i∈G，t∈TW，h∈GR)；

給定一個任意小的正數(shù)ε，若都有則認為G_i^t1和G_j^t2互為相似時空情景，記作G_i^t1～G_j^t2；當ε→0時，時空情景G_i^t1和G_j^t2趨于相同，但其相同不具有傳遞性；使用K最近鄰算法進行相似性計算，并采用歐式距離作為兩監(jiān)測數(shù)據(jù)在同一時間窗口的距離度量，則兩監(jiān)測數(shù)據(jù)G_i^t1、G_j^t2距離為將活動實時狀態(tài)的監(jiān)測數(shù)據(jù)納入歷史進行判斷，對突發(fā)事件的發(fā)生概率、區(qū)域及類型進行預測。

5.利用權利要求4所述的一種基于時空序列的大型活動突發(fā)事件預測方法，其特征在于：突發(fā)事件預測算法描述如下，

獲取歷史時空情景數(shù)據(jù)空間中與當前監(jiān)測數(shù)據(jù)處于相同區(qū)域、同一時間窗口的所有歷史監(jiān)測數(shù)據(jù)；

依次根據(jù)相似時空情景的度量標準，計算查詢當前時空情景與歷史時空情景的相似度；

f^w函數(shù)查詢當前比對歷史時空情景所在時間窗口；

Top-k策略選取前K個相似時空情景所在時間窗口存放于集合topK；

若存在未比對的歷史時空情景則進行，不存在則進行；

統(tǒng)計集合topK中發(fā)生突發(fā)事件情況：

i.將當前監(jiān)測數(shù)據(jù)所在柵格作為事件發(fā)生區(qū)域；

ii.將出現(xiàn)最多類型的窗口個數(shù)與|topK|的比值作為未來時間段發(fā)生該類型事件的概率，若概率超過50％，則將未來時間段類型判定為該事件類型；否則，判定為普通事件類型；

輸出突發(fā)事件預測結(jié)果。