CN106022372A - 基于多维特征的目标异常行为检测方法 - Google Patents

Abstract

本发明公开了一种基于多维特征的目标异常行为检测方法。该方法充分利用目标的属性、类型、位置、速度和航向特征，通过对多维航迹数据的异常检测，实现对目标异常行为的挖掘，具体包括：步骤1，输入目标的多维航迹数据集，设置目标的属性和类型标签；步骤2，计算目标航迹间的多因素定向Hausdorff距离；步骤3，确定每条航迹的近邻航迹；步骤4，计算每条航迹的近邻密度；步骤5，计算每条航迹的多维度局部异常因子；步骤6，对每条航迹进行异常检测判决；步骤7，设置目标异常行为标签。所述方法参数设置简单，准确率高，工程易实现，在模式识别和智能情报处理领域有广阔的应用前景。

Description

基于多维特征的目标异常行为检测方法

技术领域

本发明涉及数据挖掘中的异常检测技术和信息融合中的高层融合技术，属于模式识别和智能情报处理领域。

背景技术

目标航迹数据是由多维数据点组成的多维序列。根据应用场景，可将航迹数据分为预警监视航迹数据，航行管制航迹数据和视频监控航迹数据等；根据目标的类型，可将航迹数据分为飞机航迹数据、船舶航迹数据、车辆航迹数据、行人航迹数据、动物航迹数据和龙卷风航迹数据等。不同的应用场景中，目标航迹数据的多维特征也不一样，例如，在广播式自动相关监视系统中，航迹数据通常包括飞机编号、时间、经度、纬度、高度、速度、航向等多维特征；在预警监视情报处理系统中，航迹数据通常包括目标的批号、属性、类别、数量、型号、机/舷号、时间、经度、维度、高度、速度、航向等多维特征。在信息融合领域，利用数据挖掘中的异常检测技术，可以基于目标的多维航迹特征来挖掘目标的异常行为，实现对异常情报的智能处理，这对于态势评估、威胁估计和指挥决策都具有非常重要的意义。

通过对目标航迹的异常检测，可以挖掘目标的异常行为。一些学者在航迹异常检测方面进行了研究，但是现有方法主要检测目标航迹的位置异常，没有充分利用目标的属性、类型、位置、速度和航向等多维特征，在挖掘目标的异常行为时具有局限性。

发明内容

本发明针对现有航迹异常检测方法的局限性，提供了一种基于多维特征的目标异常行为检测方法。利用目标的属性、类型、位置、速度和航向特征，通过对多维航迹数据的异常检测，实现对目标异常行为的挖掘。具体包括以下步骤：

步骤1，输入目标的多维航迹数据集TD＝{TR₁,TR₂,…,TR_n}，设置目标的属性和类型标签。本方法通过设置目标属性、类型和异常行为序号标签来组成目标异常行为标签，从而表示目标的异常行为。例如，在预警监视领域，将目标的属性分为我方，敌方和友方，分别用标签1，2和3表示，将目标类型分为军用飞机、民用飞机、军舰和民船等，分别用标签1，2，3和4等来表示。

步骤2，利用多维航迹数据中的位置、速度和航向特征，计算目标航迹间的多因素定向Hausdorff距离。

1)考虑目标的位置、速度和航向特征，两个目标数据点之间的多因素距离为：

$mfdist(P_a,P_b)=w_d\·dist(P_a,P_b)+w_v\·dist(v_{P_a},v_{P_b})+w_{\mathrm{\θ}}\·dist({\mathrm{\θ}}_{P_a},{\mathrm{\θ}}_{P_b})---\left(1\right)$

其中dist(P_a,P_b)表示点P_a与点P_b之间位置特征的欧式距离，与表示点P_a与点P_b的速度，与表示点P_a与点P_b的航向，表示点P_a与点P_b之间速度特征的欧式距离，表示点P_a与点P_b之间航向特征的欧式距离，w_d表示位置特征的权重因子，w_v表示速度特征的权重因子，w_θ表示航向特征的权重因子，权重因子的取值取决于多因素距离的应用场景，满足w_d≥0,w_v≥0,w_θ≥0和w_d+w_v+w_θ＝1。

2)基于多因素距离mfdist(P_a,P_b)，航迹TR_i到TR_j的多因素定向Hausdorff距离为：

$\stackrel{\→}{{\mathrm{\δ}}_M}({\mathrm{TR}}_i,{\mathrm{TR}}_j)=\underset{P_a\∈{\mathrm{TR}}_i}{max}\left\{\underset{P_b\∈{\mathrm{TR}}_j}{min}\right\{mfdist(P_a,P_b)\left\}\right\}---\left(2\right)$

多因素定向Hausdorff距离用来度量航迹TR_i与TR_j的相似程度。

步骤3，输入近邻数k，利用目标航迹间的多因素定向Hausdorff距离，确定每条航迹TR_i的近邻航迹

1)利用近邻数k和目标航迹间的多因素定向Hausdorff距离，确定多维航迹数据集TD中与TR_i的多因素定向Hausdorff距离第k近的航迹NN(TR_i,k)；

2)航迹TR_i的多因素近邻边界距离为：

${\stackrel{\→}{{\mathrm{\δ}}_M}}_{border}({\mathrm{TR}}_i,k)=\stackrel{\→}{{\mathrm{\δ}}_M}({\mathrm{TR}}_i,NN({\mathrm{TR}}_i,k\left)\right)---\left(3\right)$

3)每条航迹TR_i的近邻航迹为：

当近邻数为k时，航迹TR_i的近邻航迹为

步骤4，利用步骤3确定的近邻航迹计算每条航迹TR_i的近邻密度ρ(TR_i,k)。

1)航迹TR_i到TR_j的多因素可达距离为：

${\stackrel{\→}{{\mathrm{\δ}}_M}}_{reach}({\mathrm{TR}}_i,{\mathrm{TR}}_j,k)=max\{{\stackrel{\→}{{\mathrm{\δ}}_M}}_{border}({\mathrm{TR}}_j,k),\stackrel{\→}{{\mathrm{\δ}}_M}({\mathrm{TR}}_j,{\mathrm{TR}}_i)\}---\left(5\right)$

2)航迹TR_i的近邻密度为：

当近邻数为k时，航迹TR_i的近邻密度为ρ(TR_i,k)。

步骤5，利用每条航迹TR_i和TR_i近邻航迹的近邻密度，计算TR_i的多维度局部异常因子MDLOF(TR_i,k)：

航迹TR_i的异常程度越大，多维度局部异常因子的取值越大。

步骤6，输入异常阈值ε，对每条航迹TR_i进行异常检测判决，并将结果存放到异常指示向量中。

如果MDLOF(TR_i,k)＞ε，否则，

步骤7，设置目标异常行为标签。例如，在预警监视领域，对民用航班的多维航迹数据进行异常检测后得到的异常指示向量为：则目标的异常行为标签可以依次设置为3201、3202、...。

本发明的有益效果在于：本发明提供的一种基于多维特征的目标异常行为检测方法，充分利用了目标的属性、类型、位置、速度和航向信息，可以对不同属性、类型的目标异常行为进行区分，而且可以挖掘目标位置、速度和运动方向与周围目标运动规律差异较大的目标异常行为。

附图说明

图1为民用航班在三维空间中的航迹图。

图2为民用航班在二维平面中的航迹图。

图3为民用航班的异常行为在二维平面中的示意图。

具体实施方式

下面以一个广播式自动相关监视系统(ADS-B)接收到的部分民用航班的飞行航迹数据集为例，根据附图详细阐述本发明，使本发明的技术路线和操作步骤更加清晰。

该ADS-B数据集包括2015年5月接收到的237条民航飞行航迹，每条航迹包括若干个多维数据点。我们可以直接读取目标的维度、经度、高度组成的位置特征，速度特征和航向特征，目标属性为友方，类型为民用飞机。为了计算目标航迹之间的多因素定向Hausdorff距离，我们将目标航迹数据点的位置特征由地理坐标中的维度、经度和高度坐标转换到局部直角坐标系中。在转换时，选择北京首都国际机场的地理坐标作为局部直角坐标系的原点，然后将这237条目标航迹的所有数据点都转换到这个局部直角坐标系中。图1为这些民用航班在三维空间中的航迹图，图2为这些民用航班在二维平面中的航迹图。

步骤1，输入多维航迹数据集TD＝{TR₁,TR₂,…,TR₂₃₇}，设置目标的属性和类型标签。因为目标为民用航班，所以将属性标签设置为3，类型标签设置为2。

步骤2，利用ADS-B多维航迹数据中的位置、速度和航向特征，由式(1)计算目标数据点之间的多因素距离mfdist(P_a,P_b)，由式(2)计算目标航迹间的多因素定向Hausdorff距离

步骤3，输入近邻数k＝4，利用目标航迹间的多因素定向Hausdorff距离，由式(3)和式(4)确定每条航迹TR_i的近邻航迹

步骤4，利用步骤3确定的近邻航迹由式(5)和式(6)计算每条航迹TR_i的近邻密度ρ(TR_i,k)。

步骤5，利用每条航迹TR_i和TR_i近邻航迹的近邻密度，由式(7)计算TR_i的多维度局部异常因子MDLOF(TR_i,k)。

步骤6，输入异常阈值ε＝1，对每条航迹TR_i进行异常检测判决，并将结果存放到异常指示向量中，共得到6条异常航迹。

步骤7，设置目标异常行为标签。因为目标的属性标签为3，类型标签为2，异常行为序号为1、2、3、4、5、6，所以目标的异常行为标签可以依次设置为3201、3202、3203、3204、3205、3206。

图3为民用航班的异常行为在二维平面中的示意图，箭头表示飞机的运动方向。

Claims (5)

1.一种基于多维特征的目标异常行为检测方法，其特征在于，包括以下步骤：

步骤1，输入目标的多维航迹数据集TD＝{TR₁,TR₂,…,TR_n}，设置目标的属性和类型标签；

步骤2，利用多维航迹数据中的位置、速度和航向特征，计算目标航迹间的多因素定向Hausdorff距离；

步骤3，输入近邻数k，利用目标航迹间的多因素定向Hausdorff距离，确定每条航迹TR_i的近邻航迹

步骤4，利用步骤3确定的近邻航迹计算每条航迹TR_i的近邻密度ρ(TR_i,k)；

步骤5，利用每条航迹TR_i和TR_i近邻航迹的近邻密度，计算TR_i的多维度局部异常因子MDLOF(TR_i,k)；

步骤6，输入异常阈值ε，对每条航迹TR_i进行异常检测判决，并将结果存放到异常指示向量中；

步骤7，设置目标异常行为标签。

2.根据权利要求1所述的基于多维特征的目标异常行为检测方法，其特征在于，步骤2具体为：

1)考虑目标的位置、速度和航向特征，两个目标数据点之间的多因素距离为：

$mfdist(P_a,P_b)=w_d\·dist(P_a,P_b)+w_v\·dist(v_{P_a},v_{P_b})+w_{\mathrm{\θ}}\·dist({\mathrm{\θ}}_{P_a},{\mathrm{\θ}}_{P_b})$

其中dist(P_a,P_b)表示点P_a与点P_b之间位置特征的欧式距离，与表示点P_a与点P_b的速度，与表示点P_a与点P_b的航向，表示点P_a与点P_b之间速度特征的欧式距离，表示点P_a与点P_b之间航向特征的欧式距离，w_d表示位置特征的权重因子，w_v表示速度特征的权重因子，w_θ表示航向特征的权重因子，权重因子的取值取决于多因素距离的应用场景，满足w_d≥0,w_v≥0,w_θ≥0和w_d+w_v+w_θ＝1；

2)基于多因素距离mfdist(P_a,P_b)，航迹TR_i到TR_j的多因素定向Hausdorff距离为：

$\stackrel{\→}{{\mathrm{\δ}}_M}({\mathrm{TR}}_i,{\mathrm{TR}}_j)=\underset{P_a\∈{\mathrm{TR}}_i}{max}\left\{\underset{P_b\∈{\mathrm{TR}}_j}{min}\right\{mfdist\left(P_a,P_b\right)\left\}\right\}$

多因素定向Hausdorff距离用来度量航迹TR_i与TR_j的相似程度。

3.根据权利要求1所述的基于多维特征的目标异常行为检测方法，其特征在于，步骤3具体为：

1)输入近邻数k，利用目标航迹间的多因素定向Hausdorff距离，确定多维航迹数据集TD中与TR_i的多因素定向Hausdorff距离第k近的航迹NN(TR_i,k)；

2)航迹TR_i的多因素近邻边界距离为：

${\stackrel{\→}{{\mathrm{\δ}}_M}}_{border}({\mathrm{TR}}_i,k)=\stackrel{\→}{{\mathrm{\δ}}_M}({\mathrm{TR}}_i,NN({\mathrm{TR}}_i,k\left)\right);$

3)每条航迹TR_i的近邻航迹为：

当近邻数为k时，航迹TR_i的近邻航迹为

4.根据权利要求1所述的基于多维特征的目标异常行为检测方法，其特征在于，步骤4具体为：

1)航迹TR_i到TR_j的多因素可达距离为：

${\stackrel{\→}{{\mathrm{\δ}}_M}}_{reach}\left({\mathrm{TR}}_i,{\mathrm{TR}}_j,k\right)=\max \left\{{\stackrel{\→}{{\mathrm{\δ}}_M}}_{border}\left({\mathrm{TR}}_j,k\right),\stackrel{\→}{{\mathrm{\δ}}_M}\left({\mathrm{TR}}_j,{\mathrm{TR}}_i\right)\right\}$

2)航迹TR_i的近邻密度为：

当近邻数为k时，航迹TR_i的近邻密度为ρ(TR_i,k)。

5.根据权利要求1所述的基于多维特征的目标异常行为检测方法，其特征在于，步骤5具体为：

通过比较TR_i与TR_i近邻航迹的近邻密度来计算TR_i的多维度局部异常因子：

航迹TR_i的异常程度越大，多维度局部异常因子的取值越大。