CN113627521A - 基于孤立森林法的物流无人机异常行为智能识别方法 - Google Patents

Abstract

本发明公开了一种基于孤立森林法的物流无人机异常行为智能识别方法，具体步骤如下：步骤一：对物流无人机飞行数据进行离群值的计算和观测。步骤二：根据输入数据构建孤立树，再将带有数据特征的单颗孤立树合并，构建为孤立森林的集合。步骤三：计算每棵孤立树的路径平均长度和路径长度的期望E(h(x))，最后由E(h(x))求得样本的异常分数。步骤四：根据异常分数的计算结果，对异常数据进行划分。将经度、纬度、仰角、爬升速度、异常分数数据带入模型，对准确率进行评估。本发明的优点是：实现无人机异常行为的智能学习和高效检测，可有效减轻高速发展的无人机运行给飞行安全和公共安全带来的压力，为无人机物流配送行业的发展奠基技术基础。

Description

基于孤立森林法的物流无人机异常行为智能识别方法

技术领域

本发明涉及无人机技术领域，特别涉及一种基于孤立森林法的物流无人机异常行为智能识别方法。

背景技术

我国快递包裹量年均新增速度达100亿件，连续6年超过美国、日本、欧洲等发达经济体。目前我国单日快递量超亿件，不断增长的业务量使得传统的投递方式越来越难以满足日益增长的服务需求。伴随着人口红利的消退，物流企业开始面临人工成本高、配送难的现状。利用无人机参与物流配送不仅能大幅降低配送成本，还可提高效率。国内的快递企业已纷纷布局无人机物流配送业务。

目前，低空无人机飞行监测技术已有相对完整的技术体系，国内外相关研究主要分为协同式和非协同式的监管方式两类，构建的数据处理子模块所接收、存储和处理的无人机飞行数据，在协同监视方面，主要基于ADS-B所采集的无人机位置和时间戳数据，而在非协同式监视手段上，主要采用光电传感器所采集的无人机飞行姿态特征数据，其次对特征进行融合和提取，为物流无人机的异常行为智能识别提供了可靠的数据支撑。

此外，异常检测作为机器学习的一个重要的应用，广泛应用于金融、卫生保健、制造业、银行等行业。异常检测在业界的应用广泛，在无人机领域，异常检测可以通过对无人机各个参数的分析，判断无人机目前所处的姿态，坐标，高度等，从而进一步判断无人机在飞行过程中是否异常。传统低空监管行业采用人载循环回路方法，基于知识库和物理模型对无人机异常行为进行检测，存在效率低、准确度差等问题，且需要检测人员具有充分的专业素养和知识系统才能有较好的识别效果，所以普适性和抗干扰能力较差。而现有的基于数据驱动的异常检测算法研究，主要从聚类和复杂神经网络深度学习两个方向展开，存在鲁棒性差，泛化能力弱，开销大等问题。

发明内容

本发明针对无人机运行安全监管的难题，提供了一种基于孤立森林法的物流无人机异常行为智能识别方法。对无人机异常行为进行检测，可以达到防患于未然的效果。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于孤立森林法的物流无人机异常行为智能识别方法，具体步骤如下：

步骤一：首先对物流无人机飞行数据进行离群值的计算和观测，便于对异常识别结果进行对比分析。

采用所有数据的均方差来描述单个样本数据的离群值，即：

无人机飞行的坐标参数是经度和纬度数据，无人机的姿态参数是仰角和爬升速度数据，n表示特征样本空间尺度，x_i表示第i个特征样本，x为样本空间均值，利用式(1)进行计算后，得到的各个数据的离群值：

步骤二：根据输入数据构建孤立树，再将带有数据特征的单颗孤立树合并，构建为孤立森林的集合。

步骤三：计算每棵孤立树的路径平均长度c(n)和路径长度的期望E(h(x))，最后由E(h(x))求得样本的异常分数s(x,n)。

给定一个n个样本的数据集，树的平均路径长度c(n)表示如下：

其中H(i)为调和数，该值可以被估计为ln(i)+0.5772156649。c(n)为给定样本数n时，路径长度的平均值，用来标准化样本x的路径长度h(x)。因此，将样本的异常分数s(x,n)定义如下：

步骤四：根据异常分数的计算结果，对异常数据进行划分。最后将经度、纬度、仰角、爬升速度、异常分数数据带入模型，对准确率进行评估。

进一步地，步骤二中孤立树iTree(X,e,l)的构建方法具体包含如下步骤：

(1)将孤立树的当前高度e与限制高度l进行对比，若e≥l或者输入数据|X|≤1，则返回节点exNode{Size←|X|}，否则进入步骤(2)；

(2)令Q为X的一个特征列表，随机选择一个特征q∈Q，从X的特征q的最大值和最小值中，随机选择一个分割点p；

(3)将q＜p的输入数据放到树的左分支X_l，将q≥p的输入数据放到树的右分支X_r，构建节点inNode{Left←iTree(X_l),Right←iTree(X_r),Split←q,SplitValue←p}；

(4)带入新的输入数据X′进入步骤(1)。

进一步地，步骤二中孤立森林的构建方法具体包含如下步骤：

(1)初始化孤立森林Forest，令输入数据为X，孤立树的数目为t，子样本的大小为Ψ，树的限制高度l＝ceiling(log₂Ψ)；

(2)判断孤立森林中孤立树的数目i，若i>t，结束流程，否则进入步骤

(3)；

(3)将X根据Ψ进行采样，并将采样结果赋给X，即X←sample(X,Ψ)；

(4)将X带入孤立树构建方法，构建一棵孤立树，iTree(X,0,l)；

(5)将新建的孤立树并入孤立森林，Forest←Forest∪iTree(X,0,l)，返回流程(2)。

与现有技术相比，本发明的优点在于：

针对物流无人机异常行为难以有效界定，传统人工检测方法效率较低等难题，从物流无人机异常行为机器识别的角度出发，提出基于孤立森林算法的无人机异常行为智能检测方法,实现无人机异常行为的智能学习和高效检测，可有效减轻高速发展的无人机运行给飞行安全和公共安全带来的压力，为无人机物流配送行业的发展奠基技术基础。

附图说明

图1是本发明实施例物流无人机异常行为仿真识别结果图；

图2是本发明实施例孤立森林算法与朴素贝叶斯和单类支持向量机的实验结果对比图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

一种基于孤立森林法的物流无人机异常行为智能识别方法具体步骤如下：

步骤一：首先对物流无人机飞行数据进行离群值的计算和观测，便于对异常识别结果进行对比分析。

这里采用所有数据的均方差来描述单个样本数据的离群值，即：

表1无人机姿态信息

序号	经度	纬度	仰角	爬升速度
					1	115.7786	28.3647	18	0.18
2	114.2685	29.3587	-8	-0.11
					3	114.9785	28.9687	-53	-0.30
4	115.0138	28.8154	12	0.07
					5	115.3987	29.6583	17	0.13
6	114.2356	29.3658	21	0.12
					…	…	…	…	…

如表1所示，其中经度、纬度数据，作为无人机飞行的坐标参数，可以反映出无人机当下所处的位置，仰角和爬升速度可以作为无人机的姿态参数。这表明无人机是在进行上升或者下降操作，直观的反映无人机的飞行姿态。利用式(1)进行计算后，得到的各个数据的离群值如表2：

表2样本离群值

完成数据的探索性分析后，就可以开始数据集的训练。

步骤二：首先根据输入数据构建孤立树，再将带有数据特征的单颗孤立树合并，构建为孤立森林的集合。

孤立树iTree(X,e,l)的构建方法具体包含如下步骤：

(1)将孤立树的当前高度e与限制高度l进行对比，若e≥l或者输入数据|X|≤1，则返回节点exNode{Size←|X|}，否则进入步骤(2)；

(2)令Q为X的一个特征列表，随机选择一个特征q∈Q，从X的特征q的最大值和最小值中，随机选择一个分割点p；

(3)将q＜p的输入数据放到树的左分支X_l，将q≥p的输入数据放到树的右分支X_r，构建节点inNode{Left←iTree(X_l),Right←iTree(X_r),Split←q,SplitValue←p}；

(4)带入新的输入数据X′进入步骤(1)。

孤立森林的构建方法具体包含如下步骤：

(1)初始化孤立森林Forest，令输入数据为X，孤立树的数目为t，子样本的大小为Ψ，树的限制高度l＝ceiling(log₂Ψ)；

(2)判断孤立森林中孤立树的数目i，若i>t，结束流程，否则进入步骤(3)；

(3)将X根据Ψ进行采样，并将采样结果赋给X，即X←sample(X,Ψ)；

(4)将X带入孤立树构建方法，构建一棵孤立树，iTree(X,0,l)；

(5)将新建的孤立树并入孤立森林，Forest←Forest∪iTree(X,0,l)，返回流程(2)。

步骤三：计算每棵孤立树的路径平均长度c(n)和路径长度的期望E(h(x))，最后由E(h(x))求得样本的异常分数s(x,n)。

给定一个n个样本的数据集，树的平均路径长度c(n)可表示如下：

其中H(i)为调和数，该值可以被估计为ln(i)+0.5772156649。c(n)为给定样本数n时，路径长度的平均值，用来标准化样本x的路径长度h(x)。因此，可以将样本的异常分数s(x,n)定义如下：

步骤四：根据异常分数的计算结果，对异常数据进行划分，如图1所示。最后将如表3所示数据带入模型，对准确率进行评估。

图1中背景为网格点的异常分数的等高线，颜色越浅异常得分越高，颜色越深正常得分越高。其中，倒三角形的数据点为训练样本，圆形的数据点为测试样本，菱形的数据点为异常数据。看图可知，大部分异常点落在异常得分较高的区域，异常分类效果理想显著。

表3基于离群值训练的检测结果

	经度	纬度	仰角	爬升速度	scores	anomaly
							1	115.7786	28.3647	18	0.18	0.031156	1
2	114.2685	29.3587	-8	-0.11	0.083877	1
							3	114.9785	28.9687	-53	-0.30	-0.031156	-1
4	115.0138	28.8154	12	0.07	0.132920	1
							5	115.3987	29.6583	17	0.13	0.068620	1
6	114.2356	29.3658	21	0.12	0.125234	1

表3中可以看到，作为离群值异常的数据，可以很准确的被模型检测出来，然后对模型的准确率进行评估：

最终检测准确率为96.0％，通过以上的模型训练，最终分析出无人机飞行的飞行数据的异常。

如图2所示，其中正方形数据点拟合的曲线为孤立森林算法的准确率曲线，圆形数据点拟合的曲线为朴素贝叶斯的准确率曲线，三角形数据点拟合的曲线为单类支持向量机的准确率曲线。可以看出孤立森林算法在应用于无人机异常行为的检测上有显著优势。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种基于孤立森林法的物流无人机异常行为智能识别方法，其特征在于，具体步骤如下：

步骤一：首先对物流无人机飞行数据进行离群值的计算和观测，便于对异常识别结果进行对比分析；

采用所有数据的均方差来描述单个样本数据的离群值，即：

无人机飞行的坐标参数是经度和纬度数据，无人机的姿态参数是仰角和爬升速度数据，n表示特征样本空间尺度，x_i表示第i个特征样本，x为样本空间均值，利用式(1)进行计算后，得到的各个数据的离群值：

步骤二：首先根据输入数据构建孤立树，再将带有数据特征的单颗孤立树合并，构建为孤立森林的集合；

步骤三：计算每棵孤立树的路径平均长度c(n)和路径长度的期望E(h(x))，最后由E(h(x))求得样本的异常分数s(x,n)；

给定一个n个样本的数据集，树的平均路径长度c(n)表示如下：

其中H(i)为调和数，该值可以被估计为ln(i)+0.5772156649；c(n)为给定样本数n时，路径长度的平均值，用来标准化样本x的路径长度h(x)；因此，将样本的异常分数s(x,n)定义如下：

步骤四：根据异常分数的计算结果，对异常数据进行划分；最后将经度、纬度、仰角、爬升速度、异常分数数据带入模型，对准确率进行评估。

2.根据权利要求1所述的一种基于孤立森林法的物流无人机异常行为智能识别方法，其特征在于：步骤二中孤立树iTree(X,e,l)的构建方法具体包含如下步骤：

(1)将孤立树的当前高度e与限制高度l进行对比，若e≥l或者输入数据|X|≤1，则返回节点exNode{Size←|X|}，否则进入步骤(2)；

(2)令Q为X的一个特征列表，随机选择一个特征q∈Q，从X的特征q的最大值和最小值中，随机选择一个分割点p；

(3)将q＜p的输入数据放到树的左分支X_l，将q≥p的输入数据放到树的右分支X_r，构建节点inNode{Left←iTree(X_l),Right←iTree(X_r),Split←q,SplitValue←p}；

(4)带入新的输入数据X′进入步骤(1)。

3.根据权利要求1所述的一种基于孤立森林法的物流无人机异常行为智能识别方法，其特征在于：步骤二中孤立森林的构建方法具体包含如下步骤：

(1)初始化孤立森林Forest，令输入数据为X，孤立树的数目为t，子样本的大小为Ψ，树的限制高度l＝ceiling(log₂Ψ)；

(2)判断孤立森林中孤立树的数目i，若i>t，结束流程，否则进入步骤(3)；

(3)将X根据Ψ进行采样，并将采样结果赋给X，即X←sample(X,Ψ)；

(4)将X带入孤立树构建方法，构建一棵孤立树，iTree(X,0,l)；

(5)将新建的孤立树并入孤立森林，Forest←Forest∪iTree(X,0,l)，返回流程(2)。

Images