[發明專利]一種基于時空軌跡的社交網絡構建方法及構建系統

有效

• 申請號: 202010143011.0
• 申請日: 2020-03-04
• 公開（公告）號: CN111382278B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 張勇;彭實;于媛芳;左皓陽
• 申請（專利權）人: 華中師范大學
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/9536;G06F16/9537;G06F18/214;G06N3/0464;G06Q50/00
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

1.一種基于時空軌跡的社交網絡構建方法，其特征在于，所述基于時空軌跡的社交網絡構建方法包括：

步驟一，通過定位系統檢測不同待測目標在某些時段是否一起出現，如果一起出現，則為不同待測目標有一次同現；

步驟二，對于一起出現的不同待測目標，采用點互信息方法評估不同待測目標之間的關聯程度；

步驟三，不同待測目標之間的關聯程度評估后，對不同待測目標間不同類型的社交網絡進行進一步的網絡分析，獲取社交圈子、關鍵待測目標、孤僻待測目標的信息，并以可視化的方式展現；

所述步驟一中，通過定位系統檢測不同待測目標在某些時段是否一起出現的方法包括基于序列標注的個體異常行為檢測，以正常目標和需要重點關注的待測目標作為參考對象，跟蹤記錄待測目標時空軌跡數據；再開展興趣點檢測，將定位數據轉換成對應的興趣點及停留時間，將時空軌跡數據轉換成基于興趣點的序列數據，環境興趣點的語義信息將融入到序列數據中，然后再作為序列標注模型的輸入輔助異常行為檢測；

所述步驟一中，通過定位系統檢測不同待測目標在某些時段是否一起出現的方法進一步包括基于One-Class的群體異常行為檢測，以檢測區域的興趣點為單位，按一定的時間單位統計特定興趣點的人流密度，形成該興趣點的時間序列數據；

所述基于One-Class的群體異常行為檢測中，采用基于One-Class的Deep?SVDD模型進行個體序列異常檢測，包括：

（1）構造一個深度神經網絡模型；將數據網絡表示映射到以最小體積的球心c和半徑R為特征的超球面，正常的映射屬于內部，異常的映射屬于超球面外部；

（2）然后最小化包含網絡中數據特征的超球體積，提取數據分布變化的共同因素，以獲取神經網絡的參數W，即最終的訓練模型參數W應該使得包含數據的超球半徑R最小；

（3）針對個體的時間序列數據x，模型采用下公式計算異常分數值；

；

其中表示訓練模型中超球的半徑，表示訓練模型的參數，表示神經網絡模型；當數據x落在超球之內，則表示該數據是正常的，即s為負數，而當s為正數時，則表示數據x在超球之外，屬于異常數據；其中，X表示原始的序列數據空間，實心點表示正常數據，空心點表示異常數據，c表示特征空間里超球的球心，R表示超球的半徑。

2.如權利要求1所述的基于時空軌跡的社交網絡構建方法，其特征在于，

所述基于序列標注的方法采用BiLSTM-CRF的序列標注算法，在數據輸入部分融合雙向LSTM。

3.如權利要求1所述的基于時空軌跡的社交網絡構建方法，其特征在于，

所述步驟二中，點互信息方法包括:

；

其中，p(x,y)表示待測目標x和y在某場所一起出現的概率，p(x)表示待測目標x單獨出現的概率；

PMI值代表兩人關系的緊密程度，PMI越大則表示聯系越緊密，場所的語義信息則代表聯系的類型。

4.如權利要求1所述的基于時空軌跡的社交網絡構建方法，其特征在于，

所述步驟三對不同待測目標間不同類型的社交網絡進行進一步的網絡分析中采用基于自適應H-index的標簽傳播算法AHLPA、基于PageRank和HITS算法進行網絡分析。