CN109871469A - 基于动态图元的小簇人群识别方法 - Google Patents
基于动态图元的小簇人群识别方法 Download PDFInfo
- Publication number
- CN109871469A CN109871469A CN201910149565.9A CN201910149565A CN109871469A CN 109871469 A CN109871469 A CN 109871469A CN 201910149565 A CN201910149565 A CN 201910149565A CN 109871469 A CN109871469 A CN 109871469A
- Authority
- CN
- China
- Prior art keywords
- crowd
- point
- subgraph
- graphical component
- dynamic graphical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于动态图元的小簇人群识别方法,包括如下步骤:S1)提取轨迹;S2)基于动态图元的场景建模;S3)基于卷积神经网络的人群分类。本发明的优点为:通过提取行人的轨迹图的语义信息,让后续的神经网络捕捉到更好的特征信息从而完成分类,该模型在准确率与召回率指标上同传统的机器学习方法相比效果提升明显。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及基于动态图元的小簇人群识别方法。
背景技术
随着移动互联网、物联网、摄像头、社交网络、城市感知网络等技术的发展和普及,公共场所下用户的行为被有效记录了下来,且这类时空信息包含了用户出行轨迹、出行意图等丰富特征。这些海量的时空信息不但能刻画人们的移动模式,也成为公共安全预警的重要部分。社会中存在很多种类的小簇人群,例如小偷、乞丐、无业人员等,这些人员的行为特征和普通居民有所不同,因此有通过分析时空数据进行侦测的可能。
目前,关于行人时空轨迹数据的研究大多采用基于时间点与活动块的方法。该方法具有以下缺陷:其一,行人活动的不确定性以及人群居住地的差异等因素造成了其研究方法适用性较差的缺点;其二,轨迹甄别的对象人数很少,导致分类模型的正样本案例很小,样本极度不平衡;其三,大数据分析技术与统计分析的方法仅仅从数据的层面进行分析,尽管可以通过从用户的轨迹中提取一些特征,如人群的轨迹长度、轨迹模式、速率等,但是这些特征依旧不足以表征行人的活动语义特征。
发明内容
本发明的目的是提供一种运用动态图元模型构建场景并通过深度学习的方法处理时空数据从而攻克小簇人群的用户识别的方法。
为了达到上述目的,本发明通过以下技术方案来实现:
基于动态图元的小簇人群识别方法,包括如下步骤:
S1)提取轨迹
检测时空数据点,形成每个人的轨迹信息;
S2)基于动态图元的场景建模
将人群的轨迹信息构建成一个网络图其中,V为轨迹中的点,E为点之间的路径;
在预先制定好的关键点K上向外扩展多个层次,将每层网络的点集与边集信息存入图中,其中Vc是c-步层中的点,Ec∈|Vc×Vc|;
对构造好的图进行子图划分,将切分成一组子图g,将能突出代表场景的表征构建为点向量集合和相应的图元子图;
S3)基于卷积神经网络的人群分类
将S2)中的点向量集合和相应的图元子图输入到带有卷积核的卷积神经网络,该卷积核作用于轨迹短片段以生成新的特征,通过公式在特征图上使用max-pooling函数来提取最大值作为选定的特征;其中,为轨迹短片段,为偏置项,f为非线性函数ReLu;
利用具有dropout和softmax输出的全连接层识别人群并对人群进行分类。
进一步地,在步骤S2)中,子图划分采用社区分割算法,公式如下:
其中,n为节点数,m为边数,节点v的度表示为kv,节点w的度表示为kw,A为网络的邻接矩阵,表示在同一社区内的边数占所有边数的比例。
本发明与现有技术相比,具有以下优点:
本发明基于动态图元的小簇人群识别方法,在实际场景下运用动态图元模型构建场景,并通过深度学习的方法处理时空数据从而攻克小簇人群的用户识别问题;通过提取行人的轨迹图的语义信息,让后续的神经网络捕捉到更好的特征信息从而完成分类,该模型在准确率与召回率指标上同传统的机器学习方法相比效果提升明显。
附图说明
图1是本发明基于动态图元的小簇人群识别方法的动态图元模型示意图。
图2是本发明基于动态图元的小簇人群识别方法的30种图元结构示意图。
图3是本发明基于动态图元的小簇人群识别方法的流程示意图。
具体实施方式
下面结合附图,对本发明的实施例作进一步详细的描述。
基于动态图元的小簇人群识别方法,包括如下步骤:
S1)提取轨迹
检测时空数据点,形成每个人的轨迹信息。
S2)基于动态图元的场景建模
将人群的轨迹信息构建成一个网络图其中,V为轨迹中的点,E为点之间的路径。如图1所示,图1的左侧有三条不同颜色的轨迹经过了关键点,节点0,由于节点3、7、8、4、10、11到节点0的距离都是1,所以将这些节点归在1-步层并生成图图1的中间是Graph Embedding之后的图元(Graphlet),图可以由相关的图元呈现;可以被划分为一组图元{G0,G1},2-步层和3-步层的条件以此类推。
首先在模型中定义概念层layer。给定一对点<Oi,Oj>,其中Oi是关键点,如果从Oj到Oi最短路径的长度是c,那么Oj∈c-步层,然后生成一个子图其中Vc是c-步层中的点,而Ec∈|Vc×Vc|。简单地说,关键点不属于任何子图一旦在场景中存在多个子图,就会在上下两层的图之间出现包含关系。这意味着,如果给定子图当c>c′就可以推断出
为了描述图的结构,图1中引入了基本图元g,如图2所示,本专利提出了30种不同的图元的形状。这30种子图是我们之后网络图划分的基础,我们从每个人的历史活动图中划分出关键网络,并在其中进行子图的切分,也就是使用这30种子图进行全部的表征。
在预先制定好的关键点K上向外扩展多个层次,将每层网络的点集与边集信息存入图中,对构造好的图进行子图划分,使用社区分割算法将切分成一组子图g,公式如下:
上述公式用来计算模块度,模块度=(落在同一组内的边的比例)-(对这些边进行随机分配所得到的概率期望)。
假设网络有n个节点,有m条边,节点v的度表示为kv,将网络的邻接矩阵表示为A,Avw=0表示节点v和w之间没有边,Avw=1表示有边。
定义变量s,svw=1表示v和w属于同一社区,svw=-1表示不在同一社区,那么可以用量化表示v和w是否在同一社区,如果是则等于1,不是则等于0。
那么上述模块度定义就可以表示为:即对这些边进行随机分配所得到的概率期望。
其中,表示在同一社区内的边数占所有边数的比例,乘以是因为对每条边计算过两次。
在计算期望的过程中网络的边进行随机分配,需要将每条边切断一分为二,切断的点我们称作末梢点,这样m条边就会产生个末梢点,随机地将这ln个末梢点进行连接,包括同一节点拥有的末梢点的自连接。这样可以保持每个节点原有的度不变的条件下,得到一个完全随机网络。
在该随机网络下,任意两点v和w连接边数的期望值是:
因此,节点vv和ww的实际边数与随机网络下边数期望之差为:
所以最终的公式即为
由于不同层次里图的结构是动态变化的,这会导致产生出各种图元的组合,图元在不同层次之间并没有包含关系,这意味着,其中
一旦在场景中存在多个子图,就会在上下两层的图之间出现包含关系,这意味着,如果给定子图当c>c′就可以推断出
动态图元模型的算法如下:
算法解析:算法的核心思想是以人群的历史轨迹与关键地点作为突破口,从一点开始向外围逐层扩增,形成多个层次,因为我们认为关键点周围的活动信息应当是能够描述不同人的行为轨迹。因此,在算法实现上,我们输入所有的预定义关键点以及用户的历史轨迹,代码3至12行实现了在每个用户的历史轨迹图上,我们以每个关键点为中心,向外扩展k层网络,并将每层网络的点集与边集信息存入图G中。代码14至22行,我们对构造好的图G进行子图划分,我们首先计算图的模块度,然后引用社区分割算法从层次图中提取子图,如果提取出来的子图超出预定大小则使用深度优先算法进行切分。最后,返回分割的子图。
S3)基于卷积神经网络的人群分类
在将能突出代表场景的表征构建为点向量集合和相应的图元子图之后,我们提出了基于卷积神经网络的时空卷积神经网络架构,通过异构的时空信息、行动模式和行为场景来对各种用户进行分类。该框架利用的是组合的时空场景嵌入,用于描述多层结构的人类行为模型以及解决小簇人员分类的问题。
如图3所示,首先收集某些人的移动记录,然后使用关键位置选择策略来选择能呈现场景语义的关键点。在为用户生成场景向量之后,将单个的场景向量连接起来以生成用户行为的向量空间。将S2)中的点向量集合和相应的图元子图输入到带有卷积核的卷积神经网络,该卷积核作用于轨迹短片段以生成新的特征,通过公式在特征图上使用max-pooling函数来提取最大值作为选定的特征;其中,为轨迹短片段,为偏置项,f为非线性函数ReLu;选取各种卷积核(具有不同长度)来生成不同的特征,利用具有dropout和softmax输出的全连接层识别人群并对人群进行分类。
本发明基于动态图元的小簇人群识别方法,通过上述步骤S1)至S3),所提出的模型及算法与其他各种方法进行评估对比,主要分为两类:传统分类模型CM(ClassificationMethod)和异常检测模型AD(Anomaly Detection)。由于本次实验中的正样本实例(嫌疑人,小簇人群)非常低,所以在负样本实例(普通人)上采取了欠采样方法来平衡训练过程中的数据。所有方法都将进行10次重复实验,并使用随机选择的数据集验证过程,最后保留结果的平均值,对于评估的指标主要有Precision(精度),Recall(召回率),F值。
我们将实验结果汇总,如表1所示,将实验采用的模型分为三类,分别是(CF),(AD),以及深度学习的方法(DL)。在CF上,模型的表现都不佳,虽然SVM的召回率出色,但是其准确度低下。在AD上,模型的表现于前面相似依旧不理想。第三类深度学习的方法上,使用我们提出的基于动态图元的场景模型,准确度与召回率得到了较大增幅,模型的F值得到提高表明模型对此类问题有着较好的分类效果。
表1图元结构表征方法比较
综上,本发明提出的基于动态图元的场景模型能够较好的挖掘出潜在的语义信息,给卷积神经网络提供了有效的输入数据,从而能学习到不同类别人群的潜在特性,进而达到分类效果。
以上所述仅是本发明优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明构思的前提下,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保护范围内。
Claims (2)
1.基于动态图元的小簇人群识别方法,其特征在于包括如下步骤:
S1)提取轨迹
检测时空数据点,形成每个人的轨迹信息;
S2)基于动态图元的场景建模
将人群的轨迹信息构建成一个网络图其中,V为轨迹中的点,E为点之间的路径;
在预先制定好的关键点K上向外扩展多个层次,将每层网络的点集与边集信息存入图中,其中Vc是c-步层中的点,Ec∈|Vc×Vc|;
对构造好的图进行子图划分,将切分成一组子图g,将能突出代表场景的表征构建为点向量集合和相应的图元子图;
S3)基于卷积神经网络的人群分类
将S2)中的点向量集合和相应的图元子图输入到带有卷积核的卷积神经网络,该卷积核作用于轨迹短片段以生成新的特征,通过公式在特征图上使用max-pooling函数来提取最大值作为选定的特征;其中,为轨迹短片段,为偏置项,f为非线性函数ReLu;
利用具有dropout和softmax输出的全连接层识别人群并对人群进行分类。
2.根据权利要求1所述的基于动态图元的小簇人群识别方法,其特征在于:
在步骤S2)中,子图划分采用社区分割算法,公式如下:
其中,n为节点数,m为边数,节点v的度表示为kv,节点w的度表示为kw,A为网络的邻接矩阵,表示在同一社区内的边数占所有边数的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910149565.9A CN109871469B (zh) | 2019-02-28 | 2019-02-28 | 基于动态图元的小簇人群识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910149565.9A CN109871469B (zh) | 2019-02-28 | 2019-02-28 | 基于动态图元的小簇人群识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871469A true CN109871469A (zh) | 2019-06-11 |
CN109871469B CN109871469B (zh) | 2021-09-24 |
Family
ID=66919463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910149565.9A Active CN109871469B (zh) | 2019-02-28 | 2019-02-28 | 基于动态图元的小簇人群识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871469B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879856A (zh) * | 2019-11-27 | 2020-03-13 | 国家计算机网络与信息安全管理中心 | 一种基于多特征融合的社交群体分类方法及系统 |
CN110929841A (zh) * | 2019-10-11 | 2020-03-27 | 浙江大学城市学院 | 基于增强意图的循环神经网络模型预测行人轨迹的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070011609A1 (en) * | 2005-07-07 | 2007-01-11 | Florida International University Board Of Trustees | Configurable, multimodal human-computer interface system and method |
US8345984B2 (en) * | 2010-01-28 | 2013-01-01 | Nec Laboratories America, Inc. | 3D convolutional neural networks for automatic human action recognition |
CN106022220A (zh) * | 2016-05-09 | 2016-10-12 | 西安北升信息科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
CN107657215A (zh) * | 2017-09-07 | 2018-02-02 | 南京师范大学 | 基于被动红外传感器的室内行为轨迹运动语义解析方法 |
US20180157963A1 (en) * | 2016-12-02 | 2018-06-07 | Fleetmatics Ireland Limited | Vehicle classification using a recurrent neural network (rnn) |
CN108388651A (zh) * | 2018-02-28 | 2018-08-10 | 北京理工大学 | 一种基于图核和卷积神经网络的文本分类方法 |
CN108510008A (zh) * | 2018-04-11 | 2018-09-07 | 国交空间信息技术(北京)有限公司 | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 |
-
2019
- 2019-02-28 CN CN201910149565.9A patent/CN109871469B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070011609A1 (en) * | 2005-07-07 | 2007-01-11 | Florida International University Board Of Trustees | Configurable, multimodal human-computer interface system and method |
US8345984B2 (en) * | 2010-01-28 | 2013-01-01 | Nec Laboratories America, Inc. | 3D convolutional neural networks for automatic human action recognition |
CN106022220A (zh) * | 2016-05-09 | 2016-10-12 | 西安北升信息科技有限公司 | 一种体育视频中对参赛运动员进行多人脸跟踪的方法 |
US20180157963A1 (en) * | 2016-12-02 | 2018-06-07 | Fleetmatics Ireland Limited | Vehicle classification using a recurrent neural network (rnn) |
CN107657215A (zh) * | 2017-09-07 | 2018-02-02 | 南京师范大学 | 基于被动红外传感器的室内行为轨迹运动语义解析方法 |
CN108388651A (zh) * | 2018-02-28 | 2018-08-10 | 北京理工大学 | 一种基于图核和卷积神经网络的文本分类方法 |
CN108510008A (zh) * | 2018-04-11 | 2018-09-07 | 国交空间信息技术(北京)有限公司 | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 |
Non-Patent Citations (3)
Title |
---|
刘泽康等: "用于车辆识别的深度学习模型的优化", 《天津师范大学学报》 * |
朱诺: "《行人交通安全 基于视频监测和元胞自动机的人群疏散机理研究》", 31 October 2017, 东北林业大学出版社 * |
谭文安等: "基于传播影响力的重叠社区划分算法", 《上海第二工业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929841A (zh) * | 2019-10-11 | 2020-03-27 | 浙江大学城市学院 | 基于增强意图的循环神经网络模型预测行人轨迹的方法 |
CN110879856A (zh) * | 2019-11-27 | 2020-03-13 | 国家计算机网络与信息安全管理中心 | 一种基于多特征融合的社交群体分类方法及系统 |
CN110879856B (zh) * | 2019-11-27 | 2022-08-05 | 国家计算机网络与信息安全管理中心 | 一种基于多特征融合的社交群体分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109871469B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615116B (zh) | 一种电信诈骗事件检测方法和检测系统 | |
Yu et al. | A Convolutional Approach for Misinformation Identification. | |
CN110084151B (zh) | 基于非局部网络深度学习的视频异常行为判别方法 | |
CN109492026B (zh) | 一种基于改进的主动学习技术的电信欺诈分类检测方法 | |
CN109344285A (zh) | 一种面向监控的视频图谱构建和挖掘方法、设备 | |
CN112087442B (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
CN113283902B (zh) | 一种基于图神经网络的多通道区块链钓鱼节点检测方法 | |
CN109194498B (zh) | 一种基于lstm的网络流量预测方法 | |
CN114221790A (zh) | 一种基于图注意力网络的bgp异常检测方法及系统 | |
CN113556319B (zh) | 物联网下基于长短期记忆自编码分类器的入侵检测方法 | |
CN110826702A (zh) | 一种多任务深度网络的异常事件检测方法 | |
CN107483451B (zh) | 基于串并行结构网络安全数据处理方法及系统、社交网络 | |
Wang et al. | Time-variant graph classification | |
CN109871469A (zh) | 基于动态图元的小簇人群识别方法 | |
Bhattacharya et al. | Application of machine learning techniques in detecting fake profiles on social media | |
Shao et al. | Deep learning hierarchical representation from heterogeneous flow-level communication data | |
CN111814917B (zh) | 一种存在模糊态的字轮图像数字识别方法 | |
CN116633589A (zh) | 社交网络中恶意账户检测方法、设备及存储介质 | |
Ball et al. | Anomaly detection using autoencoders with network analysis features | |
CN111160077A (zh) | 一种大规模人脸动态聚类方法 | |
CN114265954B (zh) | 基于位置与结构信息的图表示学习方法 | |
Zou et al. | A neuro‐fuzzy crime prediction model based on video analysis | |
CN114519605A (zh) | 广告点击欺诈检测方法、系统、服务器和存储介质 | |
CN115965466A (zh) | 一种基于子图对比的以太坊账户身份推理方法及系统 | |
Gosavi et al. | A survey on crime occurrence detection and prediction techniques |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220708 Address after: 310015 No. 51, Huzhou street, Hangzhou, Zhejiang Patentee after: HANGZHOU City University Address before: 310000 No.51 Huzhou street, Gongshu District, Hangzhou City, Zhejiang Province Patentee before: Zhejiang University City College |
|
TR01 | Transfer of patent right |