CN109871469B - 基于动态图元的小簇人群识别方法 - Google Patents

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

基于动态图元的小簇人群识别方法

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V^c是c-步层中的点，E^c∈|V^c×V^c|；

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<O_i，O_j>，其中O_i是关键点，如果从O_j到O_i最短路径的长度是c，那么O_j∈c-步层，然后生成一个子图

其中V^c是c-步层中的点，而E^c∈|V^c×V^c|。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k_v，将网络的邻接矩阵表示为A，A_vw＝0表示节点v和w之间没有边，A_vw＝1表示有边。

定义变量s，s_vw＝1表示v和w属于同一社区，s_vw＝-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l_n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 (1)

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V^c是c-步层中的点，E^c∈|V^c×V^c|；

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w∈R^hk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，c_i为点i所在社区，

为轨迹短片段，b∈R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；

在步骤S2)中，子图划分采用社区分割算法，公式如下：

其中，c_v和c_w分别为点v和点w所在的社区；函数δ(c_v,c_w)的取值定义为：如果v和w在一个社区，即c_v＝c_w，则为1，否则为0；m为边数；节点v的度表示为k_v；节点w的度表示为k_w；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。

Images