[發明專利]一種基于海量時空數據分析的異常聚集檢測方法

在審

• 申請號: 202010969343.4
• 申請日: 2020-09-15
• 公開（公告）號: CN112100243A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 鄭凱;王子維;孫福振;王紹卿;任崇廣
• 申請（專利權）人: 山東理工大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/29;G06K9/62
• 代理公司: 淄博佳和專利代理事務所(普通合伙) 37223
• 代理人: 孫愛華

一種基于海量時空數據分析的異常聚集檢測方法，屬于異常聚集檢測技術領域。其特征在于：包括如下步驟：步驟1，軌跡預處理；步驟2，聚集發現；步驟3，聚集分類；步驟4，異常聚集檢測。在本基于海量時空數據分析的異常聚集檢測方法中，首先從軌跡數據中捕獲各種聚集。其次從歷史軌跡中提取時空特征，將聚集分為非預期聚集和候選的周期性聚集。再次，進一步研究了周期性聚集的強度，結合環境因素動態識別其異常，并結合之前獲得的孤立聚集和非周期性聚集形成異常聚集，實現了大規模軌跡流異常聚集的在線檢測。改進了群體模式，捕獲了由具有共同目的或行為的相關對象組成的集合。并采用不同的插值策略，使其適用于稀疏時空數據的模式挖掘。

技術領域

一種基于海量時空數據分析的異常聚集檢測方法，屬于異常聚集檢測技術領域。

背景技術

軌跡挖掘近年來受到了廣泛的關注。許多應用，如社區推薦、交通預測、出租車軌跡異常檢測等，都得益于軌跡挖掘。異常聚集檢測著眼于發現一種稱為聚集的群體模式，并提出一種基于歷史時空特征的異常檢測方法，一般來說，聚集是由一定數量的個體在一段時間內出現在一個區域內形成的。聚集和熱點有明顯的區別，后者只包含大量的個體，但是這些個體可能只是巧合地通過該區域而且行動方式完全不同，聚集檢測可以幫助監測各種不尋常的群體事件。

現有的技術中已經提出了一些群體模式，如flock、convoy、swarm、gathering等。這些群體模式往往要求群體中始終存在同一組個體，或者并不保證成員隨著時間的推移而逐漸變化，這些都與congregation的定義不一致。另外，現有的技術大多考慮到聚集已經是一個不尋常的事件，所以沒有對聚集的結果進行進一步的分析。

現有的研究大多由于考慮到聚集已經是一個不尋常的事件，所以沒有對聚集的結果進行進一步的分析，但進一步的分析有助于提高異常聚集檢測結果的質量，現實中，采用異常聚集檢測方法往往對不可預測活動的實時監測具有更重要的價值。同時，現有的技術程序并行度不夠，無法在線地對大規模軌跡流中的異常聚集進行檢測。

發明內容

本發明要解決的技術問題是：克服現有技術的不足，提出一種首先從軌跡數據中捕獲各種聚集，其次從歷史軌跡中提取時空特征，將聚集分為非預期聚集和候選的周期性聚集。再次，進一步研究了周期性聚集的強度，結合環境因素動態識別其異常，并結合之前獲得的孤立聚集和非周期性聚集形成異常聚集，實現了大規模軌跡流異常聚集在線檢測的基于海量時空數據分析的異常聚集檢測方法。

本發明解決其技術問題所采用的技術方案是：該基于海量時空數據分析的異常聚集檢測方法，其特征在于：包括如下步驟：

步驟1，軌跡預處理；結合歷史軌跡與當前軌跡得到點的平均位置，同時通過歷史軌跡與當前軌跡的對比得到該點的缺失位置，對于無法報告位置的點進行插補處理，確定該點的插補值，通過插補值與平均位置確定該點處理后的軌跡；

步驟2，聚集發現；生成快照聚類，認定聚集在任何時候都包含一定數量的普通成員和核心成員，當一個人群在一段時間內所有的時間片簇中都包含了數量超過了閾值的核心成員和閾值的普通成員，如果人群在任何時候都包含足夠的核心成員，則定義為聚集；

步驟3，聚集分類；將聚集分為三類：孤立聚集、候選周期性聚集中的非周期性聚集和周期性聚集；

步驟4，異常聚集檢測；根據每個聚集的歷史數據和當前數據，為其設置參與人數閾值，同時根據歷史數據計算其持續時間的平均值，當新聚集的參與者人數大于等于其參與人數閾值，同時時間長于聚集的平均值判定該聚集為異常聚集。

首先從軌跡數據中捕獲各種聚集。其次從歷史軌跡中提取時空特征，將聚集分為非預期聚集和候選的周期性聚集。再次，進一步研究了周期性聚集的強度，結合環境因素動態識別其異常，并結合之前獲得的孤立聚集和非周期性聚集形成異常聚集，實現了大規模軌跡流異常聚集的在線檢測。