CN110751164A - 一种基于位置服务的老人出行异常检测方法 - Google Patents

Abstract

一种基于位置服务的老人出行异常检测方法，包括历史轨迹特征提取和异常出行识别两个部分，增加异常检测的范围，提高检测准确率，该方法提取了老人日常出行的各类特征模型，根据实时轨迹与特征轨迹的对比判断老人出行是否异常，具有较高的准确性；该方法可以同时检测出行轨迹异常和停留时间异常，具有更高的适用范围；该方法可以根据老人出行特征的改变而动态改变特征模型。

Description

一种基于位置服务的老人出行异常检测方法

技术领域

本发明属于轨迹识别技术领域，具体涉及一种基于位置服务的老人出行异常检测方法。

背景技术

由于老年人的身体机能退化、记忆力衰退、体弱多病，老年痴呆、健忘症等疾病非常高发，外出时迷路、走失、摔倒、晕厥等情况也时有发生。另一方面，老人的日常生活十分规律，活动范围通常在家庭住址附近。老人日常出行的这一特点使检测老人的出行异常成为可能。

随着技术的发展，手机、手表和一些专门的定位器都有定位和记录轨迹的功能，部分定位器还有电子围栏的功能，当老人走出预设的范围，则进行异常报警。无论是固定电子围栏或者动态变化的电子围栏，都可能会因为老人行走是的一些偏差而产生错报或漏报，而且如果老人在围栏内摔倒或晕厥，则不会产生报警。

发明内容

为了克服上述现有技术的不足，本发明目的是提供一种基于位置服务的老人出行异常检测方法，增加异常检测的范围，提高检测准确率，该方法提取了老人日常出行的各类特征模型，根据实时轨迹与特征轨迹的对比判断老人出行是否异常，具有较高的准确性；该方法可以同时检测出行轨迹异常和停留时间异常，具有更高的适用范围；该方法可以根据老人出行特征的改变而动态改变特征模型。

为了实现上述目的，本发明采用的技术方案是：

一种基于位置服务的老人出行异常检测方法，包括历史轨迹特征提取和异常出行识别两个部分，步骤如下：

一、历史轨迹特征提取包含以下步骤：

1)老人日常出行历史轨迹预处理；

首先老人日常出行历史轨迹进行降噪处理，归一化时间，然后在家庭住址为原点M米距离内的圆形区域作为原点区域，从原点区域出发到回到原点区域这段时间内的定位数据作为一条轨迹T，以此对所有历史轨迹进行分割；

2)计算轨迹段之间轨迹相似度，首先找到求出每条轨迹的n个拐点{Inf₁,Inf₂,……Inf_n}，根据拐点个数n将轨迹序列T分为n+1个子序列{Traj₁,Traj₂,……Traj_n+1},将所有轨迹分割完成后计算各轨迹之间的相似度；轨迹之间的相似度分为位置相似度、形状相似度和时间相似度,即三维相似度，如果两条轨迹序列A,B的子序列数分别为n,m,则其位置相似度计算公式为：

其中，

a₁、b₁表示轨迹A、B的起始点，d(a，b)表示轨迹点a、b之间的欧氏距离,

为行走速度加权值，θ_ab是a点和b点的行走方向夹角；Rest(A)表示去掉A的起始点a₁之后的轨迹序列；记轨迹序列A、B的拐点数组分别为<Ia₁,Ia₂,……,Ia_n-1,Ia_n>和<Ib₁,Ib₂,……,Ib_m-1,Ib_m>,则序列A与序列B的轨迹形状相似度为：

其中，μ是距离系数，θ_i是拐点Ia_i和Ib_i的方向角差值；轨迹序列A、B的时间相似度由轨迹时间相似度为:

TS(A，B)＝Time(A)-Time(B)‘

其中，Time(A)表示把轨迹序列A发生的中间时刻’

3)对轨迹段进行聚类，由于轨迹序列具有三种相似度，本方法采用基于改进的三维密度的聚类方法，即将传统的DBSCAN算法中的聚类阈值设置为R＝[maxDS,maxSS,maxTS]；

4)提取各轨迹类簇的轨迹特征参数，选取轨迹类簇在上一步聚类域值范围内包含轨迹序列最多的一条序列为类簇特征轨迹，其拐点为类簇特征拐点，类簇所有轨迹的中间时刻的均值为类簇特征时间；

5)提取停留区域和停留时间特性，如果在ΔT时间内，行走的所有轨迹点都落在半径为L的圆周内，则称圆内区域为停留区域，

ΔT为停留时间，对于，但单一轨迹，停留区域和停留时间提取方式如下：

a)If老人在点a_i的速度s_i<min_S,则位置点a_i为暂停点；

b)If连续暂停点集合Set<>的持续时间ΔT>min_T,则Set<>为停留区域，ΔT为停留时间；其中，min_S为暂停临界速度，min_T为停留临界时间；将每条轨迹的停留区域进行密度聚类，得到各轨迹类簇的特征停留区域和停留时间，特征训练所得各轨迹类簇的特征为标准特征库；

二、对老人实时异常出行进行实时识别，方法流程如下：

1)当老人离开住所后，每过T时间从老人佩戴的定位设备数据库提取上一次提取后产生的实时轨迹；

2)将实时轨迹流的轨迹特征与历史轨迹特征进行对比，判断老人出行轨迹是否异常，如果出现异常转至步骤4)。具体步骤如下：

a)首先求实时轨迹流的最新位置与各轨迹簇特征轨迹的欧式距离，选取方向相近、距离最近的点作为比较的终点，依此点为终点截取特征轨迹前半部分，用于与实时轨迹进行比较；

b)分别求实时轨迹流对各轨迹簇隶属度，公式如下：

其中，m为实时轨迹流的长度，|a_k-b_k|为两点之间的欧氏距离，θ_k是两点的行走方向夹角；

c)如果MS(A，B)＜δ(δ为隶属度阈值),则实时轨迹流A隶属于特征轨迹B所在轨迹簇。此后下一个T时间后，只需检测对特征轨迹B所在轨迹簇的隶属度，且检测序列只需截取实时轨迹流在该T时间最新轨迹子序列，特征轨迹序列只需截图终点到上一次截取终点；

3)提取实时轨迹流的停留区域和停留时间，并与历史轨迹特征的停留时间特征进行比较，如果未出现停留异常则转至步骤1)；

4)将老人的出行异常类别信息和老人位置发送给监护人员所持终端，有监护人判断老人出行是否出现异常，如果不是则该轨迹特征加入特征库并转至步骤1)，如果是则进入下一步；

5)向监护人分享老人的实时位置信息，直至监护人确认找到老人。

本发明的有益效果是：

第一，本发明通过综合考虑老人出行的历史轨迹、速度和方向等信息，提出新的轨迹相似度度量方法，提高了轨迹分类的准确率，从而提高了异常轨迹点的识别。

第二，本发明对停留异常进行了识别，增大了异常情况适用范围。

第三，本发明的方法可以对老人出行特征库进行实时更新，动态增加老人的出行特征，以适应老人出行习惯的变化。

附图说明

图1为本发明中的老人出行特征提取流程图。

图2为本发明方法中的老人出行异常识别流程图。

图3为本法第一次匹配到类簇后后续检测序列截取示意图。

具体实施方式

以下结合附图及实施例对本发明进一步叙述。

如图-1和图-2所示，一种基于位置服务的老人出行异常检测方法，分为历史轨迹特征提取和异常出行识别两个部分。

如图-1所示，历史轨迹特征提取包含以下步骤：

1)老人日常出行历史轨迹预处理。

首先老人日常出行历史轨迹进行降噪处理，将时间归一化成从凌晨开始的秒数。然后在家庭住址为原点M米距离内的圆形区域作为原点区域，从原点区域出发到回到原点区域这段时间内的定位数据作为一条轨迹T，以此对所有历史轨迹进行分割。

2)计算轨迹段之间轨迹相似度

首先找到求出每条轨迹的n个拐点{Inf₁,Inf₂,……Inf_n}，如果第i个轨迹点是拐点，需要满足：

其中，

是拐角计算公式，

为轨迹的方向向量。∈是拐角临界值，M为最大比较点数。

根据拐点个数n将轨迹序列T分为n+1个子序列{Traj₁,Traj₂,……Traj_n+1},将所有轨迹分割完成后计算各轨迹之间的相似度。

该方法下的轨迹相似度分为位置相似度、形状相似度和时间相似度,即三维相似度。如果两条轨迹序列A,B的子序列数分别为n,m,则其位置相似度计算公式为：

其中，

a₁、b₁表示轨迹A、B的起始点，d(a，b)表示轨迹点a、b之间的欧氏距离,

为行走速度加权值，θ_ab是a点和b点的行走方向夹角；Rest(A)表示去掉A的起始点a₁之后的轨迹序列。

记轨迹序列A、B的拐点数组分别为<Ia₁,Ia₂,……,Ia_n-1,Ia_n>和<Ib₁,Ib₂,……,Ib_m-1,Ib_m>,则序列A与序列B的轨迹形状相似度为：

其中，μ是距离系数，θ_i是拐点Ia_i和Ib_i的方向角差值。

轨迹序列A、B的时间相似度由轨迹时间相似度为:

TS(A，B)＝Time(A)-Time(B)

其中，Time(A)表示把轨迹序列A发生的中间时刻。

3)对轨迹段进行聚类

由于轨迹序列具有三种相似度，本方法采用基于改进的三维密度的聚类方法，即将传统的DBSCAN算法中的聚类阈值设置为R＝[maxDS,maxSS,maxTS]。

4)提取各轨迹类簇的轨迹特征参数

选取轨迹类簇在上一步聚类域值范围内包含轨迹序列最多的一条序列为类簇特征轨迹，其拐点为类簇特征拐点，类簇所有轨迹的中间时刻的均值为类簇特征时间。

5)提取停留区域和停留时间特性。

如果在ΔT时间内，行走的所有轨迹点都落在半径为L的圆周内，则称圆内区域为停留区域，ΔT为停留时间。对于，但单一轨迹，停留区域和停留时间提取方式如下：

a)If老人在点a_i的速度s_i<min_S,则位置点a_i为暂停点

b)If连续暂停点集合Set<>的持续时间ΔT>min_T,则Set<>为停留区域，ΔT为停留时间。

其中，min_S为暂停临界速度，min_T为停留临界时间。

将每条轨迹的停留区域进行密度聚类，得到各轨迹类簇的特征停留区域和停留时间。

如图-2所示，以上述特征训练所得各轨迹类簇的特征为标准特征库，对老人实时异常出行进行实时识别，方法流程如下：

1)当老人离开住所后，每过T时间从老人佩戴的定位设备数据库提取上一次提取后产生的实时轨迹。

2)将实时轨迹流的轨迹特征与历史轨迹特征进行对比，判断老人出行轨迹是否异常，如果出现异常转至步骤4)。具体步骤如下：

a)首先求实时轨迹流的最新位置与各轨迹簇特征轨迹的欧式距离，选取方向相近、距离最近的点作为比较的终点，依此点为终点截取特征轨迹前半部分，用于与实时轨迹进行比较。

b)分别求实时轨迹流对各轨迹簇隶属度，公式如下：

其中，m为实时轨迹流的长度，|a_k-b_k|为两点之间的欧氏距离，θ_k是两点的行走方向夹角。

c)如果MS(A，B)＜δ(δ为隶属度阈值),则实时轨迹流A隶属于特征轨迹B所在轨迹簇。此后下一个T时间后，只需检测对特征轨迹B所在轨迹簇的隶属度，且检测序列只需截取实时轨迹流在该T时间最新轨迹子序列，特征轨迹序列只需截图终点到上一次截取终点，如图-3所示。

3)提取实时轨迹流的停留区域和停留时间，并与历史轨迹特征的停留时间特征进行比较，如果未出现停留异常则转至步骤1)；

4)将老人的出行异常类别信息和老人位置发送给监护人员所持终端，有监护人判断老人出行是否出现异常，如果不是则该轨迹特征加入特征库并转至步骤1)，如果是则进入下一步；

5)向监护人分享老人的实时位置信息，直至监护人确认找到老人。

七、权利要求的范围

一种基于位置服务的老人出行异常检测方法，分为历史轨迹特征提取和异常出行识别两个部分。

如图-1所示，历史轨迹特征提取包含以下步骤：

1)老人日常出行历史轨迹预处理。

首先老人日常出行历史轨迹进行降噪处理，归一化时间。然后在家庭住址为原点M米距离内的圆形区域作为原点区域，从原点区域出发到回到原点区域这段时间内的定位数据作为一条轨迹T，以此对所有历史轨迹进行分割。

2)计算轨迹段之间轨迹相似度

首先找到求出每条轨迹的n个拐点{Inf₁,Inf₂,……Inf_n}，根据拐点个数n将轨迹序列T分为n+1个子序列{Traj₁,Traj₂,……Traj_n+1},将所有轨迹分割完成后计算各轨迹之间的相似度。

该方法下的轨迹相似度分为位置相似度、形状相似度和时间相似度,即三维相似度。如果两条轨迹序列A,B的子序列数分别为n,m,则其位置相似度计算公式为：

其中，

a₁、b₁表示轨迹A、B的起始点，d(a，b)表示轨迹点a、b之间的欧氏距离,

为行走速度加权值，θ_ab是a点和b点的行走方向夹角；Rest(A)表示去掉A的起始点a₁之后的轨迹序列。

记轨迹序列A、B的拐点数组分别为<Ia₁,Ia₂,……,Ia_n-1,Ia_n>

和<Ib₁,Ib₂,……,Ib_m-1,Ib_m>,则序列A与序列B的轨迹形状相似度为：

其中，μ是距离系数，θ_i是拐点Ia_i和Ib_i的方向角差值。

轨迹序列A、B的时间相似度由轨迹时间相似度为:

TS(A，B)＝Time(A)-Time(B)

其中，Time(A)表示把轨迹序列A发生的中间时刻。

3)对轨迹段进行聚类

由于轨迹序列具有三种相似度，本方法采用基于改进的三维密度的聚类方法，即将传统的DBSCAN算法中的聚类阈值设置为R＝[maxDS,maxSS,maxTS]。

4)提取各轨迹类簇的轨迹特征参数

选取轨迹类簇在上一步聚类域值范围内包含轨迹序列最多的一条序列为类簇特征轨迹，其拐点为类簇特征拐点，类簇所有轨迹的中间时刻的均值为类簇特征时间。

5)提取停留区域和停留时间特性。

如果在ΔT时间内，行走的所有轨迹点都落在半径为L的圆周内，则称圆内区域为停留区域，ΔT为停留时间。对于，但单一轨迹，停留区域和停留时间提取方式如下：

a)If老人在点a_i的速度s_i<min_S,则位置点a_i为暂停点

b)If连续暂停点集合Set<>的持续时间ΔT>min_T,则Set<>为停留区域，ΔT为停留时间。

其中，min_S为暂停临界速度，min_T为停留临界时间。

将每条轨迹的停留区域进行密度聚类，得到各轨迹类簇的特征停留区域和停留时间。

以上述特征训练所得各轨迹类簇的特征为标准特征库，对老人实时异常出行进行实时识别，方法流程如下：

1)当老人离开住所后，每过T时间从老人佩戴的定位设备数据库提取上一次提取后产生的实时轨迹。

2)将实时轨迹流的轨迹特征与历史轨迹特征进行对比，判断老人出行轨迹是否异常，如果出现异常转至步骤4)。具体步骤如下：

a)首先求实时轨迹流的最新位置与各轨迹簇特征轨迹的欧式距离，选取方向相近、距离最近的点作为比较的终点，依此点为终点截取特征轨迹前半部分，用于与实时轨迹进行比较。

b)分别求实时轨迹流对各轨迹簇隶属度，公式如下：

其中，m为实时轨迹流的长度，|a_k-b_k|为两点之间的欧氏距离，θ_k是两点的行走方向夹角。

c)如果MS(A，B)＜δ(δ为隶属度阈值),则实时轨迹流A隶属于特征轨迹B所在轨迹簇。此后下一个T时间后，只需检测对特征轨迹B所在轨迹簇的隶属度，且检测序列只需截取实时轨迹流在该T时间最新轨迹子序列，特征轨迹序列只需截图终点到上一次截取终点。

3)提取实时轨迹流的停留区域和停留时间，并与历史轨迹特征的停留时间特征进行比较，如果未出现停留异常则转至步骤1)；

4)将老人的出行异常类别信息和老人位置发送给监护人员所持终端，有监护人判断老人出行是否出现异常，如果不是则该轨迹特征加入特征库并转至步骤1)，如果是则进入下一步；

5)向监护人分享老人的实时位置信息，直至监护人确认找到老人。

Claims (1)

1.一种基于位置服务的老人出行异常检测方法，其特征在于，包括历史轨迹特征提取和异常出行识别两个部分，步骤如下：

一、历史轨迹特征提取包含以下步骤：

1)老人日常出行历史轨迹预处理；

首先老人日常出行历史轨迹进行降噪处理，归一化时间，然后在家庭住址为原点M米距离内的圆形区域作为原点区域，从原点区域出发到回到原点区域这段时间内的定位数据作为一条轨迹T，以此对所有历史轨迹进行分割；

2)计算轨迹段之间轨迹相似度，首先找到求出每条轨迹的n个拐点{Inf₁,Inf₂,……Inf_n}，根据拐点个数n将轨迹序列T分为n+1个子序列{Traj1,Traj₂,……Traj_n+1},将所有轨迹分割完成后计算各轨迹之间的相似度；轨迹之间的相似度分为位置相似度、形状相似度和时间相似度,即三维相似度，如果两条轨迹序列A,B的子序列数分别为n,m,则其位置相似度计算公式为：

其中，

a₁、b₁表示轨迹A、B的起始点，d(a，b)表示轨迹点a、b之间的欧氏距离,

为行走速度加权值，θ_ab是a点和b点的行走方向夹角；Rest(A)表示去掉A的起始点a₁之后的轨迹序列；记轨迹序列A、B的拐点数组分别为<Ia₁,Ia₂,……,Ia_n-1,Ia_n>和<Ib₁,Ib₂,……,Ib_m-1,Ib_m>,则序列A与序列B的轨迹形状相似度为：

其中，μ是距离系数，θ_i是拐点Ia_i和Ib_i的方向角差值；轨迹序列A、B的时间相似度由轨迹时间相似度为:

TS(A，B)＝Time(A)-Time(B)‘

其中，Time(A)表示把轨迹序列A发生的中间时刻’

3)对轨迹段进行聚类，由于轨迹序列具有三种相似度，本方法采用基于改进的三维密度的聚类方法，即将传统的DBSCAN算法中的聚类阈值设置为R＝[maxDS,maxSS,maxTS]；

4)提取各轨迹类簇的轨迹特征参数，选取轨迹类簇在上一步聚类域值范围内包含轨迹序列最多的一条序列为类簇特征轨迹，其拐点为类簇特征拐点，类簇所有轨迹的中间时刻的均值为类簇特征时间；

5)提取停留区域和停留时间特性，如果在AT时间内，行走的所有轨迹点都落在半径为L的圆周内，则称圆内区域为停留区域，

ΔT为停留时间，对于，但单一轨迹，停留区域和停留时间提取方式如下：

a)If老人在点a_i的速度s_i<min_S,则位置点a_i为暂停点；

b)If连续暂停点集合Set<>的持续时间ΔT>min_T,则Set<>为停留区域，ΔT为停留时间；其中，min_S为暂停临界速度，min_T为停留临界时间；将每条轨迹的停留区域进行密度聚类，得到各轨迹类簇的特征停留区域和停留时间，特征训练所得各轨迹类簇的特征为标准特征库；

二、对老人实时异常出行进行实时识别，方法流程如下：

1)当老人离开住所后，每过T时间从老人佩戴的定位设备数据库提取上一次提取后产生的实时轨迹；

2)将实时轨迹流的轨迹特征与历史轨迹特征进行对比，判断老人出行轨迹是否异常，如果出现异常转至步骤4)。具体步骤如下：

a)首先求实时轨迹流的最新位置与各轨迹簇特征轨迹的欧式距离，选取方向相近、距离最近的点作为比较的终点，依此点为终点截取特征轨迹前半部分，用于与实时轨迹进行比较；

b)分别求实时轨迹流对各轨迹簇隶属度，公式如下：

其中，m为实时轨迹流的长度，|a_k-b_k|为两点之间的欧氏距离，θ_k是两点的行走方向夹角；

c)如果MS(A，B)＜δ(δ为隶属度阈值),则实时轨迹流A隶属于特征轨迹B所在轨迹簇。此后下一个T时间后，只需检测对特征轨迹B所在轨迹簇的隶属度，且检测序列只需截取实时轨迹流在该T时间最新轨迹子序列，特征轨迹序列只需截图终点到上一次截取终点；

3)提取实时轨迹流的停留区域和停留时间，并与历史轨迹特征的停留时间特征进行比较，如果未出现停留异常则转至步骤1)；

4)将老人的出行异常类别信息和老人位置发送给监护人员所持终端，有监护人判断老人出行是否出现异常，如果不是则该轨迹特征加入特征库并转至步骤1)，如果是则进入下一步；

5)向监护人分享老人的实时位置信息，直至监护人确认找到老人。

Images