CN108268597B - 一种动目标活动概率图谱构建及行为意图识别方法 - Google Patents
一种动目标活动概率图谱构建及行为意图识别方法 Download PDFInfo
- Publication number
- CN108268597B CN108268597B CN201711363234.2A CN201711363234A CN108268597B CN 108268597 B CN108268597 B CN 108268597B CN 201711363234 A CN201711363234 A CN 201711363234A CN 108268597 B CN108268597 B CN 108268597B
- Authority
- CN
- China
- Prior art keywords
- interest
- moving target
- grid
- time
- activity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种动目标活动概率图谱构建及行为意图识别方法,包括如下步骤:步骤1,构建动目标活动概率图谱;步骤2,态势时空探索分析;步骤3,构建动目标活动兴趣仓库、动目标活动概率图谱库和动目标活动规律模型库;步骤4,动目标活动规律挖掘、动目标行为识别和意图预测。
Description
技术领域
本发明涉及态势时空动目标活动分析领域,尤其涉及一种动目标活动概率图谱构建及行为意图识别方法。
背景技术
目前,随着物联网、大数据等IT技术的发展,对基于地理信息系统的动目标轨迹信息的收集越来越容易,在交通、军事、物流和互联网企业等各种行业和部门内,积累了大量包含地理位置信息的数据资产。这些数据包含动目标活动的最原始轨迹信息,具有丰富的内涵,对于动目标活动规律的分析、动目标行为意图的预测以及态势时空内的异常热点的挖掘都具有很高的价值。但是这些数据同时又具有实时性高、数据量庞大,数据异构、处理不便的特点,很难以统一的模型对数据进行表示,很难形成与业务系统隔离的统一动目标分析处理平台。传统的对动目标轨迹信息进行处理分析的手段,主要包括历史查询、统计、分析和行为规律挖掘,除了查询和统计外,动目标行为规律挖掘是通过分析动目标活动轨迹的时间、空间和属性特征,将相似的轨迹聚集在一个集合中,从而发现动目标的分布状态和运动模式,其主要研究方法是用轨迹之间的距离函数来反映轨迹的时空相似度,然后对轨迹进行聚类来获得。这种分析方法可以为分析人员提供原始的活动轨迹信息、轨迹运动规律信息和简单的关于动目标的统计信息,但是,因为这些处理操作是主要面向终端用户的,因此,获取的结果损失了大量的知识,造成后续的识别和预测处理难以进行下去。
大数据和人工智能技术的发展为我们对动目标活动分析处理提供了新的视角。大数据技术的发展,特别是结合了大数据分布式处理平台和原有数据仓库数据处理模型的新一代数据仓库的出现对海量实时动目标轨迹数据的处理提供了基础平台支撑;以深度学习为特征的新一代人工智能技术革命为动目标轨迹数据的深度挖掘提供了技术支撑。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种在海量实时大数据环境下,对动目标活动规律行为模式进行量化,构建动目标活动概率图谱,并提供基于活动概率图谱进行目标行为意图识别的方法。
技术方案:一种动目标活动概率图谱构建及行为意图识别方法,包括如下步骤:
步骤1,构建动目标活动兴趣网格框架和概率图谱;
步骤2,构建动目标活动兴趣仓库、动目标活动概率图谱库;
步骤3,态势时空探索分析;
步骤4,基于动目标活动概率图谱进行动目标活动规律挖掘,构建动目标活动规律模型库,实现动目标识别、动目标行为识别和意图预测以及态势时空热点预测。
步骤1包括如下步骤:
步骤1-1,构建动目标活动兴趣网格框架,将地球表面空间划分为地理大小一致的平面网格或立体网格;
所述动目标活动兴趣网格框架包含网格框架和基本网格单元;动目标活动兴趣网格框架依据地理要素,即经纬度和高度将地球上的空间进行离散化网格划分,其中,地球球面的兴趣网格单元划分可以采用规则的几何多边形(例如三角形、四边形、六边形)方法以覆盖整个球面,本发明以四边形为例来说明动目标活动兴趣网格框架的构建;
采用四边形划分方法,设定经纬度的划分单位是1分,高度的划分单位是100米,在经纬度构成的二维平面上总共划分出(360×60)×(180×60)=21600×10800=23328000个格子。高度以海平面为基础,每升高100米为一格,动目标活动兴趣网格框架在应用时可以根据需要取二维或三维的网格。根据以上描述,则动目标活动兴趣网格框架全体定义为G,如公式(1)所示:
G=(gj,w,h)21600×10800(1)
其中,gj,w,h代表一个基本兴趣网格单元,(j,w,h)是兴趣网格单元的三维编码,j∈[0,21599]代表兴趣网格经度编码,w∈[0,10799]代表兴趣网格纬度编码,h为兴趣网格高度编码,通过对地理高度求整获得;
兴趣网格框架的一部分可定义为Gm,n:
Gm,n=(gj,w,h)m×n(2)
其中在三维情况下gj,w,h代表一个三维网格单元,是一个三维空间区域,可以以三元组(JD,WD,GD)表示,在二维情况下gj,w代表一个二维网格单元,是一个二维空间区域,可以以二元组(JD,WD)来表示,JD,WD分别代表网格单元的中心点经纬度,GD代表网格单元的海拔高度,h=GD/100,在二维情况下GD默认为0,m∈[1,21600],代表经度方向跨越的基本网格数,n∈[1,10800],代表纬度方向跨越的基本网格数,三维背景下兴趣网格单元gj,w,h和二维背景下兴趣网格单元gj,w被称为基本网格单元,由基本网格单元构成的格G、Gm,n被称为基本格。
所述的基本网格单元为二维的网格或三维的网格单元,二维网格单元的坐标包含经度、纬度,三维网格单元的坐标包含经度、纬度、高度,除了地理要素外,网格单元还包含时间要素(进入时间、消失时间),目标组织要素、目标种类要素、目标行为要素以及目标在网格内的存续时间,以及在具体应用时涉及到的要素信息等;
步骤1-2,计算生成单目标活动兴趣网格:将数据采集系统(例如雷达系统、各类全球定位信息(GPS、北斗)终端接收系统)获取的目标运动点迹信息转化为目标对兴趣网格中网格区域的兴趣度;
所述目标对兴趣网格中网格区域的兴趣度定义为一定时间周期(日、周、月、季度、年或自定义的时间周期)内,目标在该网格中出现的时间总和;
根据描述,假设兴趣网格单元为gj,w,h,动目标为mt,时间周期c内,动目标mt在网格单元gj,w,h范围内共出现N次,第k次出现所停留的时间是LTk,则记动目标mt在时间周期c内对网格单元gj,w,h的兴趣度为:
其中,LTk的计算如下式所示。
LTk=Tout-Tin(4)
式中,Tin是动目标mt进入网格gj,w,h的时刻,Tout是动目标mt在网格单元gj,w,h的消失的时刻。
步骤1-3,计算动目标活动概率图谱:
动目标活动概率图谱分为单目标活动概率图谱和多目标活动概率图谱。
其中,JD,WD,GD分别是兴趣网格单元的中心点经纬度和海拔高度,在二维情况下GD为0,不代入计算;ST是动目标初次进入该网格的起始时间,定义为进入时刻到周期起始时刻的时间长度;是一定时间周期(小时、日、周、月、季度、年或自定义的时间周期)c内目标mt在基本兴趣网格单元gj,w,h中活动的概率,被定义为
步骤2中,所述动目标活动兴趣仓库用于保存步骤1-2计算得到的单目标活动兴趣网格。
动目标活动兴趣仓库的逻辑模型为多维模型,多维模型包含度量和维、属性,动目标活动兴趣多维模型的度量为目标在基本网格单元内的存续时间,维包含地理维度、目标组织维度、目标种类维度和目标行为维度;所述动目标活动兴趣仓库的物理模型包含事实表和维度表两类表,事实表存储目标活动关联维度标识和目标活动度量数据,维度表存储维度层次数据。
步骤2中,所述动目标活动概率图谱库用于存储步骤1-3得到的动目标活动概率图谱,所保存的动目标活动概率图谱除了包含动目标活动概率图谱信息还包含动目标标识信息、动目标活动行为类型信息和动目标活动任务类型。所述动目标活动行为类型信息需要根据具体的业务来进行确定,可对相应的单元格进行标注。
步骤3包括如下步骤:
步骤3-1,态势动目标联机分析,包含动目标活动多维模型构建、联机分析服务和联机分析可视化展现;
所述动目标活动多维模型是从时间、地理空间、动目标组织、用户兴趣、动目标类型几个视角来描述动目标活动事件,通过目标兴趣度指数来度量动目标在某一网格区域活动的频繁程度,以多维数组的形式来保存维度数据和兴趣度事实数据。动目标活动多维模型可定义为MTMDS:
MTMDS=(T,GG,MTG,UI,MTT|MTI)(9)
其中,MTMDS表示动目标多维数据模型,MTMDS有两部分组成,其中一部分是维度,主要包括:时间维T,地理空间网格维GG,动目标组织维MTG,用户兴趣维UI,动目标类型维MTT;另外一部分是度量,主要包括动目标兴趣度MTI。
所述联机分析(OLAP,On-Line Analytical Processing)是基于动目标活动多维数据模型,针对用户对动目标活动分析操作需求,构建动目标活动多维立方体,提供钻取(Drill-up和Drill-down)、切片(Slice)、切块(Dice)以及旋转(Pivot)等操作,满足用户随机从不同视角和不同粒度层次来查询动目标活动兴趣数据进行探索性分析的需求。
所述联机分析可视化展现,是针对用户对动目标活动分析结果的可视化展现需求,将用户探索分析结果在地理信息系统和报表系统中展示。例如,动目标在某一时间段的活动范围信息可以在地理信息系统上展示;动目标在某一地点,在时间轴上的活动规律信息可以用直方图、线图、饼图等图表形式来展示;在某一时刻,某一区域的某类动目标活动活跃情况,可以用基于地理信息系统的热力图展示。
步骤3-2,态势时空热点挖掘,包含热点指标设置、热点计算和热点展现。
所述态势时空热点挖掘是针对动目标活动形成的实时兴趣仓库,根据用户设定的指标要求,进行热点计算,并对结果进行告警展现。
所述热点指标设置是指用户根据自己的兴趣,设定关注的动目标的组织、类型和地理区域,以及聚集指标阈值来判断热点发生的时间和地理区块。
所述热点计算是指系统根据用户设定的条件、计算模型,定期从活动兴趣仓库中获取数据进行计算。例如,对于通信大数据分析,可以利用手机实时入网数据,来计算某一时间周期、某一地理区块的人流量,当该数据超过某一阈值时,系统给出热点提示;对于军事动目标活动分析,可以计算特定时间周期内,特定区域每个兴趣网格的兴趣度,如果该兴趣度超过过去同周期均值加上三个标准差,则系统给出热点提示。
步骤4包括如下步骤:
步骤4-1,动目标活动规律挖掘:通过构建动目标活动概率模型和深度神经网络模型来表征动目标活动规律,主要包括三个步骤:首先,以动目标活动兴趣网格数据和动目标活动概率图谱数据为基础进行清洗形成样本数据;其次,构建机器学习模型(概率模型和深度学习模型),并实现模型训练程序,主要包括动目标识别模型、动目标行为类型识别模型、动目标活动行为意图识别模型和态势时空热点预测模型;最后,将样本数据输入模型训练程序,对模型进行训练,并将训练结果保存在动目标活动规律模型库中。
步骤4-1包括如下步骤:
步骤4-1-1,动目标识别:
问题描述:根据动目标活动的活动兴趣概率图谱来识别动目标。
步骤4-1-1具体包括如下步骤:
步骤4-1-1-1,样本数据准备:
假设共收集到S次mt活动数据,则样本数据可以表示为SAMPLES:
SAMPLES=((MTAPGmt|IDmt))S×1(10)
其中,i∈[1,S]。S代表共有S个样本,S×1表示样本是一个S行1列的输入向量(如无特殊说明,文中其他地方与此含义相同),
需要注意的是,在使用深度神经网络模型进行训练时,三维情况下,输入的概率图谱数据是一个m×n×5的长方体矩阵,二维情况下,输入的概率图谱数据是一个m×n×4的长方体矩阵。由公式(2)和(5)知,其中m×n表示由兴趣网格Gm,n生成的二维矩阵,5和4分别代表三维和二维情况下兴趣网格单元中的要素个数,即三维情况是:JD,WD,GD,ST,二维情况是:JD,WD,ST,
步骤4-1-1-2,深度神经网络模型设计:使用Google的Inception-ResNet-v2模型。
步骤4-1-1-3,训练与测试:主要分两种方法,
第一种,带交叉验证集:
将原始样本数据集按照6:2:2的比例随机分割成训练集、交叉验证集和测试集三部分,先使用训练集进行模型训练,然后使用交叉验证集进行调整,以提高参数,最后使用测试集,测试模型的准确性。
第二种,不带交叉验证集:
将原始样本数据集按照7:3的比例随机分割成训练集和测试集两部分,先使用训练集进行模型训练,再使用测试集,测试模型的准确性。
步骤4-1-2,动目标行为类型识别:
问题描述:根据动目标活动的活动兴趣概率图谱和行为类型来识别动目标。
步骤4-1-2具体包括如下步骤:
步骤4-1-2-1,样本数据准备:包含一段时间内某动目标多次态势活动概率图谱和该动目标的标识信息外,每次态势活动的兴趣网格单元需要用该动目标活动的行为类型进行标注。
步骤4-1-2-2,深度神经网络模型:使用LSTM序列预测模型。
步骤4-1-2-3,训练与测试:方法同步骤4-1-1-3。
步骤4-1-3,动目标行为意图识别:
问题描述:根据动目标活动的活动兴趣概率图谱来识别动目标下一个目的位置、时间和行为类型。
步骤4-1-3具体包括如下步骤:
步骤4-1-3-1,样本数据准备:主要包括两个步骤:
步骤4-1-3-1-1,对从动目标活动航迹信息中构造的概率图谱进行多层池化操作,生成由不同粒度层次的动目标活动概率图谱构成的集合L∈[1,2,3,…],其中,L表示池化的粒度,当L=1时,动目标活动概率图谱为基于基本格构成的概率图谱,当L>1时,动目标活动概率图谱为基本格池化后形成的粗粒度抽象格构成的概率图谱。
步骤4-1-3-1-2,针对不同粒度层次的动目标活动概率图谱依据目标运动的先后时间ST从概率图谱中提取兴趣网格单元序列作为训练LSTM深度序列模型的样本数据SAMPLES,如公式(12)所示:
步骤4-1-3-2,深度神经网络模型:使用LSTM序列预测模型。
步骤4-1-3-3,训练与测试:方法同步骤4-1-1-3。
步骤4-1-4,态势时空热点预测:
问题描述:根据区域内多目标活动概率图谱信息预测下一周期的态势时空热点发生的时间和区域。
算法思想:
态势时空热点内涵:①态势时空的状态有冷热之分,其热度可以随其中动目标活动的频繁程度而变化,并可基于动目标活动的概率分布来进行度量;②与日常状况相比,当态势时空的热度超过某个阈值时,则称其为一个热点事件;③态势时空中有多个群组在活动,当多群组同一时间在某一区域出现高频活动,则可以认为是一个典型的态势时空热点事件,该区域称为态势时空的一个热点。
由态势时空热点内涵,可以定义态势时空热点出现的条件:
在多群组情况下,根据参与热点的群组的数量不同,态势时空热点HS可定义为一个集合{HS1,S2,…,SN},其中,HS1代表单个群组活动的热点,HS2代表包含两个群组活动的热点,同理,HSN代表包含N个群组活动的热点。
如果:
计算方法:
计算方法(1):区域热度(即群组活动概率)计算。假设动目标群组集合为MTG,总共包含N个群组,其中第i个群组为mtgi∈MTG,i∈[1,2,…,N]。由多目标概率图谱的定义公式(7)知,群组mtgi在兴趣网格Gm,n上,时间周期c内,在兴趣网格单元gj,w,h上的活动概率图谱为:
计算方法(2):阈值αk的取值。阈值的取舍由判断的方法来定,本发明采用趋势指标来判断区域热度的变化,假定在同一时间周期c(例如,每天上午8点到9点)内,区域兴趣网格单元gj,w,h的态势时空热度即热度服从均值为方差为的正态分布。则当时,判定该周期c内,该地域处于正常的热度,当时,判定该地域过冷,当时,判定该地域过热,出现k群组热点事件。因此,可以根据公式(17)计算出热度上界值
具体包括如下步骤:
步骤4-1-4-1,区域热度预测。
步骤4-1-4-1-1,样本数据准备:
假定当前时间周期为c,时间段(T,T+Δt)∈c,现在需要预测时间段(T,T+Δt),兴趣网格区域Gm,n上是否出现热点,其中T为起始时刻,Δt是时间间隔。则由公式(15),以Δt为小周期,分别对(T-SΔtΔt,T-(SΔt-1)Δt),…,(T-2Δt,T-Δt),(T-Δt,T)共SΔt个时间片,对兴趣网格Gm,n环比构建动目标活动兴趣概率图谱,同时,依据公式(13)针对多群组动目标计算兴趣网格热度,可得兴趣网格单元上,从时刻T开始,倒推SΔt个Δt上的热度样本序列为:
其中,i∈[1,2,…,SΔt],SΔt代表样本的数量,SΔt×1表示由SΔt个样本构成的SΔt行1列的输入向量;
根据上面方法对兴趣网格Gm,n上的每个兴趣网格单元构建样本序列,最后得到样本矩阵为:
其中,m×n表示共有m×n个样本序列构成m行n列的样本序列矩阵,c是时间周期,k是群组个数;
步骤4-1-4-1-2,区域热度深度神经网络模型设计:
假设当前时间周期为c0,阈值计算取从当前时间前一个周期c1往后倒推Sc个时间周期序列可以根据公式(19)获取训练样本数据,使用LSTM序列预测模型对样本数据中的每一个兴趣单元上的序列进行训练,可得区域热度预测的深度神经网络模型。
步骤4-1-4-1-3,训练与测试:方法同步骤4-1-1-3。
步骤4-1-4-2,阈值计算。
假设当前时间周期为c1,阈值计算取从当前时间周期c1往后倒推Sc个时间周期序列则称时间片序列(Ti,Ti+Δt)∈ci,(i∈[1,2,…,S])为同比时间片序列,可以依据该时间片序列计算同比的兴趣网格热度序列:先依据公式(16)计算各个群组的活动概率,再依据公式(13)计算兴趣网格单元上的热度,从而形成一个兴趣网格单元gj,w,h上的热度序列数组:可以求得该组热度数据的均值和方差为同理,对都可以求得均值和方差,形成矩阵从而根据公式(17)计算得出阈值矩阵
步骤4-1-4-3,热点判断。
将当前的时间周期的兴趣网格热度序列(如式(18)、(19)所示)数据代入区域热度神经网络深度模型进行计算得到一个预测值,依据计算方法(2)中给出的判断方法判断在未来的Δt时间内区域网格兴趣单元是否是热点。
步骤4-2,生成目标实时概率图谱:根据公式(1)、(2)、(3)、(4)、(5)实时构建动目标活动兴趣网格和实时生成当前目标活动的概率图谱;
步骤4-3,使用态势动目标联机分析部分以动目标活动兴趣仓库中的目标活动兴趣网格为基础构建态势数据仓库多维模型,构建态势联机分析服务,具体参见说明书步骤3-1,在此基础上为用户提供多维、多粒度层次的可视化态势展现服务;
步骤4-4,使用态势时空热点挖掘部分根据用户设置的指标,计算不同粒度层次的态势时空热点区域,并提供直观的可视化展示以方便与用户互动,具体参见说明书步骤3-2;
步骤4-5,使用目标实时概率图谱将接收到的态势目标航迹数据转换为目标实时概率图谱;
步骤4-6,调用动目标识别深度神经网络模型,对输入的目标实时概率图谱进行分类操作,识别出当前态势目标;业务人员确认后,调用动目标活动行为类型识别深度神经网络模型,识别出动目标当前行为的类型;在业务人员确认后,调用动目标活动行为意图预测深度神经网络模型对当前目标活动的行为意图进行预测,确定其下一个目的区域和行为类型,如果目标行为出现异常,则开始告警;对区域热点的预测,可以调用区域热点预测深度神经网络模型预测区域热度,根据趋势阈值预测下一周期的态势时空热点发生的时间和区域。
本发明针对动目标分析提供统一的数据模型——动目标活动兴趣网格,为动目标活动的评估提供统一的度量标准——动目标活动兴趣度,支持各类实时、近实时和非实时动目标的活动规律的分析挖掘,支持依据分析挖掘获取的活动规律知识进行动目标行为类型识别和行为意图预测,支持基于动目标活动概率图谱的态势时空的多维探索分析,为大规模态势时空的分析提供技术和平台支撑,为关注区域的态势的量化和规律挖掘提供了现实可行性。
有益效果:本发明与现有技术相比具有以下优点:
1.支持动目标活动的度量。将地球表面空间进行离散化网格划分,将动目标在每个网格中的活动时间作为该动目标对该网格空间的兴趣度,实现了对该动目标在时空中活动的度量。
2.支持动目标活动多维模型的构建。将动目标在一个网格空间中的一次活动看作一个事件,围绕这个事件的描述分析,形成动目标活动多维模型,维度包含时间、空间、用户兴趣,度量为动目标在网格中存续时间长度,为动目标分析提供统一的数据模型。
3.支持态势动目标联机分析。以动目标活动多维模型为基础构建态势动目标活动兴趣仓库,在动目标活动兴趣仓库的基础上构建态势动目标联机分析服务,为用户提供可定制的联机分析服务,便于用户对态势时空的探索分析。
4.支持态势时空热点挖掘分析。在动目标活动兴趣仓库和态势动目标联机分析的基础上根据用户的兴趣提供态势时空热点挖掘功能。
5.支持动目标活动概率图谱库的构建。在动目标活动兴趣网格的基础上计算动目标在各个网格内出现的概率,形成动目标活动的概率空间,可以作为动目标活动的先验知识。
6.支持动目标识别。构建动目标识别深度神经网络模型,使用动目标活动概率图谱数据训练动目标识别深度神经网络模型,对接收的实时态势目标数据进行分类识别操作,识别动目标的类型。
7.支持动目标行为类型识别。构建动目标行为类型识别深度神经网络模型,使用动目标活动概率图谱数据训练动目标行为类型识别深度神经网络模型,对实时的态势目标概率图谱进行行为类型的识别操作,识别该动目标当前的行为类型。
8.支持动目标活动行为意图预测。构建动目标行为意图预测深度神经网络模型,使用动目标活动概率图谱数据训练动目标活动行为意图预测模型,对实时的态势目标概率图谱进行行为意图预测操作,预测该动目标下一步活动区域和行为类型。
9.支持态势时空热点预测。构建态势时空热点预测模型,使用动目标活动概率图谱数据训练态势时空热点预测模型,输入某一周期的多目标活动概率图谱,预测下一周期的态势时空热点区域。
10.本发明通过对空间的离散化网格划分为动目标活动航迹的分析建立了统一的数据模型,设计了独立于业务模型的数据仓库和联机分析平台。
11.本发明通过构建动目标活动行为的统一概率空间,为目标的识别,目标活动行为类型和意图的预测以及热点空间的预测提供了知识基础。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1为本发明一种动目标活动概率图谱构建及行为意图识别系统和方法的总体框图。
图2为动目标活动兴趣网格框架部分示意图。
图3为动目标活动兴趣仓库多维模型示意图。
图4为动目标活动兴趣网格计算流程图。
图5为动目标活动兴趣仓库构建及态势时空探索分析示意图。
图6为动目标活动概率图谱计算流程图。
图7为动目标识别示意图。
图8为动目标活动行为类型识别示意图。
图9为动目标活动行为意图识别示意图。
图10为态势时空热点预测示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
图1是本发明一种动目标活动概率图谱构建及行为意图识别方法的总体框图,在图1中本发明包括活动兴趣网格框架构建1、单目标活动兴趣网格计算2、动目标活动概率图谱计算3、态势动目标联机分析4、态势时空热点挖掘5、概率图谱数据预处理6、动目标识别模型训练7、动目标活动行为类型识别模型训练8、动目标活动行为意图预测模型训练9、态势时空热点预测模型训练10、态势时空热点预测11、动目标行为意图预测12、动目标行为类型识别13、动目标识别14、目标实时概率图谱生成15、目标态势数据16、动目标活动兴趣仓库17、动目标活动概率图谱库18和动目标活动规律模型库19。
活动兴趣网格框架构建部分1创建活动兴趣网格框架,实现地球表面空间到活动兴趣网格的映射;单目标活动兴趣网格计算部分2接收实时目标态势数据,计算该活动对应兴趣网格的兴趣度;动目标活动兴趣仓库17保存动目标活动兴趣网格和动目标活动多维数据表;态势动目标联机分析部分4对动目标活动兴趣数据仓库中的动目标活动兴趣数据进行多维联机分析;态势时空热点挖掘部分5在态势动目标联机分析的基础上进行热点的挖掘;动目标活动概率图谱计算部分3对动目标活动兴趣仓库中的计算获取动目标活动概率图谱;动目标活动概率图谱库18保存动目标活动概率图谱信息;动目标识别模型训练部分7训练动目标识别神经网络模型;动目标活动行为类型识别模型训练部分8训练动目标活动行为类型神经网络模型;动目标活动行为意图预测模型训练部分9训练动目标活动行为意图预测神经网络模型;态势时空热点预测模型训练部分10训练态势时空热点预测神经网络模型;动目标活动规律模型库19保存各类学习到的动目标活动规律模型;目标实时概率图谱生成部分15对实时态势数据进行计算生成当日的实时概率图谱;动目标识别部分14从目标实时概率图谱中识别具体动目标信息;动目标行为类型识别部分13来识别动目标行为类型并在确认后对动目标行为类型进行标注;动目标行为意图预测部分12来预测动目标的行为意图并对异常的行为意图进行告警;态势时空热点预测使用热点预测模型和不同周期的动目标活动概率图谱来预测下一周期的热点区域。
图2详细地图示动目标活动兴趣网格框架部分框图。
标记点201是起始原点,线201-202是起始经线,线201-203是起始纬线,起始经线和起始纬线的选择可以根据观察动目标的主要活动区域进行选择;
面201-202-203是地理投影平面,整个投影平面按照经度划分为一个水平网格,经纬度的划分单位是1分,高度的划分单位是100米,在经纬度构成的二维平面上总共划分出(360×60)×(180×60)=21600×10800=23328000个格子;高度以海平面为基础,每升高100米为一格,动目标兴趣网格框架在应用时可以根据需要取二维或三维的网格;
网格长方体205是兴趣网格框架中的一个基本单元,它的长206-207对应经度的1分,宽208-209对应纬度的1分,高210-211对应海拔高度的100米;
网格212是网格长方体205在地理水平面上的投影是一个方形区域,在不考虑高度的二维情况时,这个网格区域是基本的网格单元。
图3详细地图示了动目标活动兴趣仓库多维模型。
事实表的维度部分31中,包含事实表关联的维度信息,主要包含时间维度信息关联字段、地理空间信息关联字段、动目标组织信息关联字段、动目标类型信息关联字段和用户兴趣信息关联字段;
事实表的度量部分32中,包含动目标活动多维模型的度量——目标兴趣度,也可以根据业务需要包含其他度量;
时间维33中,包含时间维度信息,主要可划分为日,周、月、季度、年等时间层次,或者是用户自定义的时间层次;
动目标组织维34中,动目标组织维度信息,主要根据动目标所属的组织的层次组织来进行划分,例如,假设动目标是飞机,对民用飞机,维度层次是国家地区、民航公司,对军用飞机,维度层次需要根据具体的部队隶属关系来定;
用户兴趣维35中,包含用户兴趣维度信息,主要包含根据用户兴趣设定的区域目标,比如,用户关系的机场、港口等;
动目标类型维36中,包含动目标类型信息,主要根据关注的动目标种类对动目标进行层次划分;
空间维37中,包含地理空间信息,主要是根据地理区划来对空间进行层次划分。
图4详细地图示了动目标活动兴趣网格计算的流程。
在步骤401中,使用创建活动兴趣网格部分进行,根据用户设定的起始点、网格大小等参数创建活动兴趣网格;
在步骤402中,使用态势实时数据接收部分接收动目标轨迹数据,如果接收到则进入步骤403,否则继续等待接收;
在步骤403中,解析报文判断是否为初始报文,如果为初始报,跳转到步骤404,否则跳转到步骤405;
在步骤404中,根据接收到的初始报文,计算确定初始网格,跳转到步骤402;
在步骤405中,解析报文判断是否为消失报文,如果为消失报,跳转到步骤406,否则跳转到步骤407;
在步骤406中,根据接收到的消失报文,按照公式(2)计算确定消失网格的兴趣度,跳转到步骤402;
在步骤407中,根据步骤1-1中的方法,利用经纬度和高度数据计算识别当前网格;
在步骤408中,判断当前网格是否和上一网格相同,如果相同,则转步骤409,否则转步骤410;
在步骤409中,记录当前动目标轨迹点时间,跳转到步骤402;
在步骤410中,按照公式(2)计算确定上一兴趣网格的兴趣度;
在步骤411中,利用两点之间到分界线的距离来等比例计算当前网格的起始时间,跳转到步骤402;
图5详细地图示了动目标活动兴趣仓库构建部分及态势时空探索分析部分的框图。
动目标态势展现服务501提供查询主题及态势时空热点挖掘的配置管理工具以及多维模型展现的仪表盘,以GIS、图、表、树和文字等多种方式来展示动目标活动态势。
联机分析模型定制工具508查询动目标活动兴趣仓库的元数据,创建联机分析的物理模型、逻辑模型和显示模型并保存到系统配置库509中;
查询主题管理工具502通过动目标联机分析服务查询动目标活动兴趣仓库中的动目标活动多维立方体,获取动目标活动不同视角和粒度层次的统计数据,并将其保存在系统配置库509中;
态势时空热点挖掘507根据用户的兴趣设定,基于动目标联机分析服务进行热点时空挖掘;
动目标联机分析服务接收由动目标态势展现服务501传来的数据查询主题化请求,使用查询请求解析503将该主题化请求解析,使用查询语句生成504将其转化为具体的带限定条件的对维度表和事实表进行查询的SQL语句,使用数据获取506从数据库中获取需要的数据,使用查询结果返回506将数据按照主题进行组织并返回;
图6详细地图示了动目标活动概率图谱的计算流程。
在步骤61中,读取用户设定的查询条件参数,主要包括概率图谱的类型:单个目标还是区域的,概率图谱的时间周期,概率图谱的地理范围等;
在步骤62中,根据设定的条件参数读取动目标活动兴趣数据;
在步骤63中,计算每个网格中兴趣度占兴趣网格兴趣度总和的比例,算出该网格的概率;
在步骤64中,将计算好的数据保存到概率图谱数据库中。
图7详细地图示了动目标识别部分框图。
动目标活动概率图谱库71存放已生成的动目标活动概率图谱数据,将作为学习训练的基本数据提供给模型训练部分;
目标活动轨迹训练样本数据生成72将初始的概率图谱数据经过聚焦、缩放、配准、重组等操作生成最终的训练样本数据;
动目标识别模型构建73构造可以用来学习的深度神经网络模型,并对网络进行初始化;
动目标识别模型训练74使用72生成的训练样本对73生成的深度神经网络模型进行训练、测试和验证,并将合格的动目标识别深度神经网络模型保存到动目标活动规律模型库75中;
动目标识别部分使用训练好的动目标识别模型来对从接收的目标态势数据78,并由实时概率图谱生成77部分生成的实时概率图谱数据进行识别,判断该动目标是哪个目标。
图8详细地图示了动目标活动行为类型识别部分框图。
动目标活动概率图谱库81存放已生成的动目标活动概率图谱数据,将作为学习训练的基本数据提供给模型训练部分;
目标活动行为类型训练样本数据生成82将初始的概率图谱数据经过聚焦、缩放、配准、标注等操作生成最终的训练样本数据;
动目标行为类型识别模型构建83构造可以用来学习的深度神经网络模型,并对网络进行初始化;
动目标识别模型训练84使用82生成的训练样本对83生成的深度神经网络模型进行训练、测试和验证,并将合格的动目标行为类型深度神经网络模型保存到动目标活动规律模型库85中;
动目标行为类型识别部分86使用训练好的动目标行为类型识别模型来对接收到的未知行为类型动目标88进行识别,判断该动目标是哪个目标;
动目标行为类型标注87对当前已识别的动目标行为类型进行标注。
图9详细地图示了动目标活动行为意图识别部分框图。
动目标活动概率图谱库91存放已生成的动目标活动概率图谱数据,将作为学习训练的基本数据提供给模型训练部分;
目标活动行为意图预测训练样本数据生成92将初始的概率图谱数据经过聚焦、缩放、最大路径生成等操作生成最终的训练样本数据;
动目标行为意图预测模型构建93构造可以用来学习的深度神经网络模型,并对网络进行初始化;
动目标活动行为意图预测模型训练94使用92生成的训练样本对93生成的深度神经网络模型进行训练、测试和验证,并将合格的动目标行为意图预测深度神经网络模型保存到动目标活动规律模型库95中;
动目标行为意图预测部分96使用训练好的动目标行为意图预测模型来对接收到的未知行为意图动目标98进行预测,判断该动目标行为的下一个目的地和行为类型;
动目标行为告警97根据当前已识别行为意图的动目标进行监控,如果出现异常,则告警。
图10详细地图示了态势时空热点预测部分框图。
动目标活动概率图谱库101存放已生成的动目标活动概率图谱数据,将作为学习训练的基本数据提供给模型训练部分;
态势时空热点预测训练样本数据生成102将初始的概率图谱数据经过聚焦、缩放、配准等操作生成最终的训练样本数据;
态势时空热点预测模型构建103构造可以用来学习的深度神经网络模型,并对网络进行初始化;
态势时空热点预测模型训练104使用102生成的训练样本对103生成的深度神经网络模型进行训练、测试和验证,并将合格的态势时空热点预测深度神经网络模型保存到动目标活动规律模型库105中;
态势时空热点预测部分106使用训练好的动目标行为类型识别模型来对当前周期的态势时空热点概率图谱进行预测,预测可能出现热点的区域;
热点区域告警107对预测出可能出现热点的区域进行告警。
本发明针对动目标分析提供统一的数据模型,为动目标活动的评估提供统一的度量标准,支持各类实时、近实时和非实时动目标的活动规律的分析挖掘,,支持依据分析挖掘获取的活动规律知识进行动目标行为类型识别和行为意图预测,支持基于动目标活动概率图谱的态势时空的多维探索分析,为大规模态势时空的分析提供技术和平台支撑,为关注区域的态势的量化和规律挖掘提供了现实可行性。
本发明提供了一种动目标活动概率图谱构建及行为意图识别方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种动目标活动概率图谱构建及行为意图识别方法,其特征在于,包括如下步骤:
步骤1,构建动目标活动兴趣网格框架和概率图谱;
步骤2,构建动目标活动兴趣仓库、动目标活动概率图谱库;
步骤3,态势时空探索分析;
步骤4,基于动目标活动概率图谱进行动目标活动规律挖掘,构建动目标活动规律模型库,实现动目标识别、动目标行为识别和意图预测以及态势时空热点预测;
步骤1包括如下步骤:
步骤1-1,构建动目标活动兴趣网格框架,将地球表面空间划分为地理大小一致的平面网格和立体网格;
步骤1-2,计算生成单目标活动兴趣网格:将数据采集系统获取的目标运动点迹信息转化为目标对兴趣网格中网格区域的兴趣度;
步骤1-3,计算动目标活动概率图谱;
步骤1-1中,所述动目标活动兴趣网格框架包含网格框架和基本网格单元;
动目标活动兴趣网格框架依据地理要素,即经纬度和高度将地球上的空间进行离散化网格划分,此处采用四边形划分方法,设定经纬度的划分单位是1分,高度的划分单位是100米,在经纬度构成的二维平面上总共划分出(360×60)×(180×60)=21600×10800=23328000个格子;高度以海平面为基础,每升高100米为一格;
动目标活动兴趣网格框架在应用时根据需要取二维或三维的网格,则动目标活动兴趣网格框架全体定义为G,如公式(1)所示:
G=(gj,w,h)21600×10800 (1)
其中,gj,w,h代表一个基本兴趣网格单元,(j,w,h)是兴趣网格单元的三维编码,j∈[0,21599]代表兴趣网格经度编码,w∈[0,10799]代表兴趣网格纬度编码,h为兴趣网格高度编码,通过对地理高度求整获得;兴趣网格框架的一部分定义为Gm,n:
Gm,n=(gj,w,h)m×n (2)
其中在三维情况下gj,w,h代表一个三维网格单元,是一个三维空间区域,以三元组(JD,WD,GD)表示,在二维情况下gj,w代表一个二维网格单元,是一个二维空间区域,以二元组(JD,WD)来表示,JD,WD分别代表网格单元的中心点经度和纬度,GD代表网格单元的海拔高度,在二维情况下GD默认为0,m∈[1,21600],m代表经度方向跨越的基本网格数,n∈[1,10800],n代表纬度方向跨越的基本网格数,三维背景下兴趣网格单元gj,w,h和二维背景下兴趣网格单元gj,w被称为基本网格单元,由基本网格单元构成的格G、Gm,n被称为基本格;
步骤1-2中,目标对兴趣网格中网格区域的兴趣度定义为一定时间周期内,目标在该网格中出现的时间总和,假设兴趣网格单元为gj,w,h,动目标为mt,时间周期c内,动目标mt在网格单元gj,w,h范围内共出现N次,第k次出现所停留的时间是LTk,则记动目标mt在时间周期c内对网格单元gj,w,h的兴趣度I(mt,gj,w,h,c)为:
其中,LTk的计算如下式所示:
LTk=Tout-Tin (4)
其中,Tin是动目标mt进入网格gj,w,h的时刻,Tout是动目标mt在网格单元gj,w,h的消失的时刻;
步骤1-3包括:动目标活动概率图谱分为单目标活动概率图谱和多目标活动概率图谱,
其中,JD,WD,GD分别是兴趣网格单元的中心点经度、纬度和海拔高度,在二维情况下GD为0,不代入计算;ST是动目标初次进入该网格的起始时间,定义为进入时刻到周期起始时刻的时间长度;是一定时间周期c内目标mt在基本兴趣网格单元gj,w,h中活动的概率,被定义为
2.根据权利要求1所述的方法,其特征在于,步骤2中,所述动目标活动兴趣仓库用于保存步骤1-2计算得到的单目标活动兴趣网格,动目标活动兴趣仓库的逻辑模型为多维模型,多维模型包含度量和维、属性,动目标活动兴趣多维模型的度量为目标在基本网格单元内的存续时间,维包含地理维度、目标组织维度、目标种类维度和目标行为维度;所述动目标活动兴趣仓库的物理模型包含事实表和维度表两类表,事实表存储目标活动关联维度标识和目标活动度量数据,维度表存储维度层次数据。
3.根据权利要求2所述的方法,其特征在于,步骤2中,所述动目标活动概率图谱库用于存储步骤1-3得到的动目标活动概率图谱,所保存的动目标活动概率图谱除了包含动目标活动概率图谱信息还包含动目标标识信息、动目标活动行为类型信息和动目标活动任务类型。
4.根据权利要求3所述的方法,其特征在于,步骤3包括如下步骤:
步骤3-1,态势动目标联机分析,包含动目标活动多维模型构建、联机分析服务和联机分析可视化展现;
动目标活动多维模型定义为MTMDS:
MTMDS=(T,GG,MTG,UI,MTT|MTI) (9)
其中,MTMDS有两部分组成,其中一部分是维度,包括:时间维T,地理空间网格维GG,动目标组织维MTG,用户兴趣维UI,动目标类型维MTT;另外一部分是度量,包括动目标兴趣度MTI;
所述联机分析是基于动目标活动多维数据模型,针对用户对动目标活动分析操作需求,构建动目标活动多维立方体,提供钻取、切片、切块以及旋转操作,满足用户随机从不同视角和不同粒度层次来查询动目标活动兴趣数据进行探索性分析的需求;
所述联机分析可视化展现,是针对用户对动目标活动分析结果的可视化展现需求,将用户探索分析结果在地理信息系统和报表系统中展示;
步骤3-2,态势时空热点挖掘:针对动目标活动形成的实时兴趣仓库,根据用户设定的指标要求,进行热点计算,并对结果进行告警展现。
5.根据权利要求4所述的方法,其特征在于,步骤4中,所述动目标活动规律模型库用于保存通过训练学习得到的关于动目标识别、动目标行为类型识别和动目标活动行为意图识别的深度神经网络模型,步骤4包括如下步骤:
步骤4-1,动目标活动规律挖掘:以动目标活动兴趣网格数据和动目标活动概率图谱数据为基础进行清洗形成样本数据;构建机器学习模型,包括概率模型和深度学习模型,并实现模型训练程序,包括动目标识别模型、动目标行为类型识别模型、动目标活动行为意图识别模型和态势时空热点预测模型;将样本数据输入模型训练程序,对模型进行训练,并将训练结果保存在动目标活动规律模型库中;
步骤4-2,生成目标实时概率图谱:根据公式(1)、(2)、(3)、(4)、(5)实时构建动目标活动兴趣网格和实时生成当前目标活动的概率图谱;
步骤4-3,使用态势动目标联机分析部分动目标活动兴趣仓库中的目标活动兴趣网格为基础构建态势数据仓库多维模型,构建态势联机分析服务;
步骤4-4,使用态势时空热点挖掘部分根据用户设置的指标,计算不同粒度层次的态势时空热点区域;
步骤4-5,使用目标实时概率图谱将接收到的态势目标航迹数据转换为目标实时概率图谱;
步骤4-6,调用动目标识别深度神经网络模型,对目标实时概率图谱进行分类操作,识别出当前态势目标,确认后,调用动目标活动行为类型识别深度神经网络模型,识别出动目标当前行为的类型,确认后,调用动目标活动行为意图预测深度神经网络模型对当前目标活动的行为意图进行预测,确定其下一个目的区域和行为类型,如果目标行为出现异常,则开始告警;对区域热点的预测,调用区域热点预测深度神经网络模型预测区域热度,根据趋势阈值预测下一周期的态势时空热点发生的时间和区域。
6.根据权利要求5所述的方法,其特征在于,步骤4-1包括如下步骤:
步骤4-1-1,动目标识别,步骤4-1-1具体包括如下步骤:
步骤4-1-1-1,样本数据准备:
假设共收集到S次mt活动数据,则样本数据表示为SAMPLES:
SAMPLES=((MTAPGmt|IDmt))S×1 (10)
其中,i∈[1,S],在使用深度神经网络模型进行训练时,S代表共有S个样本,S×1表示样本是一个S行1列的输入向量,三维情况下,输入的概率图谱数据是一个m×n×5的长方体矩阵,二维情况下,输入的概率图谱数据是一个m×n×4的长方体矩阵,由公式(2)和(5)知,其中m×n表示由兴趣网格Gm,n生成的二维矩阵,5和4分别代表三维和二维情况下兴趣网格单元中的要素个数,即三维情况是:JD,WD,GD,ST,二维情况是:JD,WD,ST,
步骤4-1-1-2,深度神经网络模型设计:使用Google的Inception-ResNet-v2模型;
步骤4-1-1-3,训练与测试:分两种方法:
第一种,带交叉验证集:
将原始样本数据集按照6∶2∶2的比例随机分割成训练集、交叉验证集和测试集三部分,先使用训练集进行模型训练,然后使用交叉验证集进行调整,以提高参数,最后使用测试集,测试模型的准确性;
第二种,不带交叉验证集:
将原始样本数据集按照7∶3的比例随机分割成训练集和测试集两部分,先使用训练集进行模型训练,再使用测试集,测试模型的准确性;
步骤4-1-2,动目标行为类型识别:根据动目标活动的活动兴趣概率图谱和行为类型来识别动目标,步骤4-1-2具体包括如下步骤:
步骤4-1-2-1,样本数据准备:包含一段时间内一动目标多次态势活动概率图谱和该动目标的标识信息外,每次态势活动的兴趣网格单元需要用该动目标活动的行为类型进行标注;
步骤4-1-2-2,深度神经网络模型:使用LSTM序列预测模型;
步骤4-1-2-3,训练与测试:方法同步骤4-1-1-3;
步骤4-1-3,动目标行为意图识别:根据动目标活动的活动兴趣概率图谱来识别动目标下一个目的位置、时间和行为类型,步骤4-1-3具体包括如下步骤:
步骤4-1-3-1,样本数据准备,包括两个步骤:
步骤4-1-3-1-1,对从动目标活动航迹信息中构造的概率图谱进行多层池化操作,生成由不同粒度层次的动目标活动概率图谱构成的集合 其中,L表示池化的粒度,当L=1时,动目标活动概率图谱为基于基本格构成的概率图谱,当L>1时,动目标活动概率图谱为基本格池化后形成的粗粒度抽象格构成的概率图谱;
步骤4-1-3-1-2,针对不同粒度层次的动目标活动概率图谱依据目标运动的先后时间ST从概率图谱中提取兴趣网格单元序列作为训练LSTM深度序列模型的样本数据SAMPLES,如公式(12)所示:
步骤4-1-3-2,深度神经网络模型:使用LSTM序列预测模型;
步骤4-1-3-3,训练与测试:方法同步骤4-1-1-3;
步骤4-1-4,态势时空热点预测,根据区域内多目标活动概率图谱信息预测下一周期的态势时空热点发生的时间和区域;
态势时空热点内涵如下:态势时空的状态有冷热之分,其热度随其中动目标活动的频繁程度而变化,并基于动目标活动的概率分布来进行度量;与日常状况相比,当态势时空的热度超过一个阈值时,则称其为一个热点事件;态势时空中有多个群组在活动,当多群组同一时间在一区域出现高频活动,则认为是一个典型的态势时空热点事件,该区域称为态势时空的一个热点;
由态势时空热点内涵,定义态势时空热点出现的条件:
在多群组情况下,根据参与热点的群组的数量不同,态势时空热点HS定义为一个集合{HS1,HS2,...,HSN},其中,HS1代表单个群组活动的热点,HS2代表包含两个群组活动的热点,HSN代表包含N个群组活动的热点;
如果:
本步骤中包括区域热度和热度阈值的计算:
计算方法(1):区域热度即群组活动概率计算:假设动目标群组集合为MTG,总共包含N个群组,其中第i个群组为mtgi∈MTG,i∈[1,2,...,N],由多目标概率图谱的定义公式(7)知,群组mtgi在兴趣网格Gm,n上,时间周期c内,在兴趣网格单元gj,w,h上的活动概率图谱为:
计算方法(2):阈值αk的取值,阈值的取舍由判断的方法来定,此处采用趋势指标来判断区域热度的变化,假定在同一时间周期c内,区域兴趣网格单元gj,w,h的态势时空热度即热度服从均值为方差为的正态分布,则当时,判定该周期c内,该区域处于正常的热度,当时,判定该区域过冷,当 时,判定该区域过热,出现k群组热点事件,因此,根据公式(17)计算出热度上界值
具体包括如下步骤:
步骤4-1-4-1,区域热度预测:
步骤4-1-4-1-1,样本数据准备:
假定当前时间周期为c,时间段(T,T+Δt)∈c,现在需要预测时间段(T,T+Δt),兴趣网格区域Gm,n上是否出现热点,其中T为起始时刻,Δt是时间间隔,则由公式(15),以Δt为小周期,分别对(T-SΔtΔt,T-(SΔt-1)Δt),…,(T-2Δt,T-Δt),(T-Δt,T)共SΔt个时间片,对兴趣网格Gm,n环比构建动目标活动兴趣概率图谱,同时,依据公式(13)针对多群组动目标计算兴趣网格热度,得到兴趣网格单元上,从时刻T开始,倒推SΔt个Δt上的热度样本序列为:
其中,i∈[1,2,...,SΔt],SΔt代表样本的数量,SΔt×1表示由SΔt个样本构成的SΔt行1列的输入向量;
其中,m×n表示共有m×n个样本序列构成m行n列的样本序列矩阵,c是时间周期,k是群组个数;
步骤4-1-4-1-2,区域热度深度神经网络模型设计:
假设当前时间周期为c0,阈值计算取从当前时间前一个周期c1往后倒推Sc个时间周期序列根据公式(19)获取训练样本数据,使用LSTM序列预测模型对样本数据中的每一个兴趣单元上的序列进行训练,得到区域热度预测的深度神经网络模型;
步骤4-1-4-1-3,训练与测试:方法同步骤4-1-1-3;
步骤4-1-4-2,阈值计算:
假设当前时间周期为c1,阈值计算取从当前时间周期c1往后倒推Sc个时间周期序列则称时间片序列(Ti,Ti+Δt)∈ci,i∈[1,2,...,S],依据该时间片序列计算同比的兴趣网格热度序列:先依据公式(16)计算各个群组的活动概率,再依据公式(13)计算兴趣网格单元上的热度,从而形成一个兴趣网格单元gj,w,h上的热度序列数组:求得该组热度数据的均值和方差分别为对都求得均值和方差,形成矩阵从而根据公式(17)计算得出阈值矩阵
步骤4-1-4-3,热点判断:
如式(18),(19)所示,将当前时间周期的兴趣网格热度序列数据代入区域热度神经网络深度模型进行计算得到一个预测值,依据计算方法(2)中给出的判断方法判断在未来的Δt时间内区域网格兴趣单元是否是热点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711363234.2A CN108268597B (zh) | 2017-12-18 | 2017-12-18 | 一种动目标活动概率图谱构建及行为意图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711363234.2A CN108268597B (zh) | 2017-12-18 | 2017-12-18 | 一种动目标活动概率图谱构建及行为意图识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108268597A CN108268597A (zh) | 2018-07-10 |
CN108268597B true CN108268597B (zh) | 2020-10-09 |
Family
ID=62772102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711363234.2A Active CN108268597B (zh) | 2017-12-18 | 2017-12-18 | 一种动目标活动概率图谱构建及行为意图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268597B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108966259B (zh) * | 2018-07-18 | 2021-07-16 | 中国电子科技集团公司第二十八研究所 | 一种基于网络编码的抗干扰传输方法 |
EP3621002A1 (en) * | 2018-09-06 | 2020-03-11 | Koninklijke Philips N.V. | Monitoring moveable entities in a predetermined area |
CN109388757B (zh) * | 2018-10-10 | 2021-11-02 | 广州力挚网络科技有限公司 | 一种热门轨迹提取方法与装置 |
CN109847916B (zh) * | 2018-12-26 | 2021-01-12 | 厦门邑通软件科技有限公司 | 一种水泥原料立磨系统的节能优化方法 |
CN110111608B (zh) * | 2019-05-15 | 2021-06-18 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
CN110288001B (zh) * | 2019-05-28 | 2023-09-05 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于目标数据特征训练学习的目标识别方法 |
CN110543543A (zh) * | 2019-09-10 | 2019-12-06 | 苏州大学 | 一种基于多粒度神经网络的用户移动行为预测方法及装置 |
CN111027692A (zh) * | 2019-11-04 | 2020-04-17 | 中国电子科技集团公司第十四研究所 | 一种目标运动态势预测方法及装置 |
CN111060104A (zh) * | 2019-12-13 | 2020-04-24 | 杭州昕华信息科技有限公司 | 一种机器人巡视区域确定方法、装置、介质及设备 |
CN111753888B (zh) * | 2020-06-10 | 2021-06-15 | 重庆市规划和自然资源信息中心 | 智能环境下多粒度时空事件相似度匹配工作方法 |
CN112036556B (zh) * | 2020-11-06 | 2021-01-26 | 西南交通大学 | 一种基于lstm神经网络的目标意图反演方法 |
CN114330145B (zh) * | 2022-03-01 | 2022-07-12 | 北京蚂蚁云金融信息服务有限公司 | 基于概率图模型对序列进行分析的方法及装置 |
CN116567648B (zh) * | 2023-07-05 | 2023-09-19 | 四川创智联恒科技有限公司 | 一种数据波束下的波位图谱生成方法及系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2749645C (en) * | 2009-02-06 | 2016-12-20 | Channarong Tontiruttananon | Tracking area management method and apparatus for long term evolution telecommunication systems |
CN102034096B (zh) * | 2010-12-08 | 2013-03-06 | 中国科学院自动化研究所 | 基于自顶向下运动注意机制的视频事件识别方法 |
CN103593361B (zh) * | 2012-08-14 | 2017-02-22 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动时空轨迹分析方法 |
CN104462190B (zh) * | 2014-10-24 | 2018-01-05 | 中国电子科技集团公司第二十八研究所 | 一种基于海量空间轨迹挖掘的在线的位置预测方法 |
CN105512727B (zh) * | 2015-11-27 | 2018-02-13 | 浙江理工大学 | 一种基于Markov的个人路径预测方法 |
CN105933138B (zh) * | 2016-03-29 | 2021-11-09 | 光通天下网络科技股份有限公司 | 一种时空维度相结合的云服务可信态势评估与预测方法 |
CN106022527A (zh) * | 2016-05-27 | 2016-10-12 | 河南明晰信息科技有限公司 | 基于地图瓦片和lstm循环神经网络的轨迹预测方法和装置 |
CN106595665B (zh) * | 2016-11-30 | 2019-10-11 | 耿生玲 | 一种障碍空间中移动对象时空轨迹的预测方法 |
CN106960256A (zh) * | 2017-03-17 | 2017-07-18 | 中山大学 | 基于时间空间上下文的循环神经网络预测位置的方法 |
CN107247961B (zh) * | 2017-05-10 | 2019-12-24 | 西安交通大学 | 一种应用模糊轨迹序列的轨迹预测方法 |
-
2017
- 2017-12-18 CN CN201711363234.2A patent/CN108268597B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108268597A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268597B (zh) | 一种动目标活动概率图谱构建及行为意图识别方法 | |
CN113065000B (zh) | 一种基于地理实体的多源异构数据融合方法 | |
CN108446293B (zh) | 一种基于城市多源异构数据构建城市画像的方法 | |
US7069258B1 (en) | Weather prediction method for forecasting selected events | |
JP6141393B2 (ja) | 目標位置を確定するための方法及び装置 | |
Van Couwenberghe et al. | Can species distribution models be used to describe plant abundance patterns? | |
CN107679558A (zh) | 一种基于度量学习的用户轨迹相似性度量方法 | |
CN106951903B (zh) | 一种人群移动规律的可视化方法 | |
Yao et al. | Simulating urban growth processes by integrating cellular automata model and artificial optimization in Binhai New Area of Tianjin, China | |
Martin et al. | Evaluation of gridded population models using 2001 Northern Ireland Census data | |
Morik et al. | Introduction to data mining for sustainability | |
CN114705922A (zh) | 多参数、多算法集成的雷电精细化监测预警算法 | |
Studholme et al. | Objective determination of the extratropical transition of tropical cyclones in the Northern Hemisphere | |
Zhao et al. | A network distance and graph-partitioning-based clustering method for improving the accuracy of urban hotspot detection | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
US9612315B2 (en) | Methods of and systems for extracting patterns of human extent and density from geographically anchored radio signal sources | |
Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
Liang et al. | Modeling urban growth in the middle basin of the Heihe River, northwest China | |
Guan et al. | Under the dome: A 3D urban texture model and its relationship with urban land surface temperature | |
Lo et al. | Recurrent learning on PM 2.5 prediction based on clustered airbox dataset | |
Pabreja et al. | A data warehousing and data mining approach for analysis and forecast of cloudburst events using OLAP-based data hypercube | |
Pandey et al. | Geomatics approach for assessment of respiratory disease mapping | |
Huang et al. | A new thunderstorm identification algorithm based on total lightning activity | |
Dorren et al. | Effect of support size on the accuracy of a distributed rockfall model | |
Gómez-Sanz et al. | Landscape assessment and monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: No.1 Lingshan South Road, Qixia District, Nanjing, Jiangsu Province, 210000 Applicant after: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. Address before: 210007 No. 1 East Street, alfalfa garden, Jiangsu, Nanjing Applicant before: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |