TWI709144B - 依機器學習偵測使用行動通訊服務之人流異常之系統及其方法 - Google Patents

Abstract

本發明揭露依機器學習偵測使用行動通訊服務之人流異常之系統及其方法，且該系統包括資料讀取模組、機器學習模組、異常偵測模組與地圖標定模組。資料讀取模組自網格與相鄰網格中讀取關聯於複數行動通訊裝置之歷史人流資料。具有機器學習程式之機器學習模組將歷史人流資料進行機器學習，以依據機器學習之結果產生下一時間的人流資料的預估值。異常偵測模組比較下一時間的人流資料的預估值與實際值兩者之差異值，以於差異值在門檻值或其範圍之外時，判定下一時間的人流資料為人流異常資料。地圖標定模組在電子地圖上自動標定或警示與人流異常資料相應之人流異常區域。

Description

依機器學習偵測使用行動通訊服務之人流異常之系統及其方法

本發明係關於一種人流異常偵測技術，特別是指一種依機器學習偵測使用行動通訊服務之人流異常之系統及其方法。

過往對於各種事件(如災害)之人流密度都是使用戶籍登記之資料進行統計，但此資料與實際之人流資料有相當大的差異。因此，為掌握實際之人流狀況，需透過錄影影像辨識或紅外線感測器等技術，唯此兩項技術仍有其缺點。

在錄影影像辨識之技術中，可以較容易取得資料，但影像辨識技術需再加強，亦無法進行實際數量之統計，只能使用人流密度分類，且範圍侷限於小區域。

另外，在紅外線感測器之技術中，透過感測器能確實記錄人流數量，但限制於特定之封閉空間，且範圍侷限於小區域。

因此，如何提供不同於錄影影像辨識與紅外線感測器之技術，以新技術來快速及/或精準地偵測或判定人流資料或人流異常資料，實已成為本領域技術人員之一大研究課題。

本發明提供一種依機器學習偵測使用行動通訊服務之人流異常之系統及其方法，可透過機器學習程式、異常偵測模組與地圖標定模組等協同運作，以偵測或判定(未來)下一時間的人流資料或人流異常資料。

本發明之依機器學習偵測使用行動通訊服務之人流異常之系統包括：一資料讀取模組，係自一網格與相鄰網格中讀取關聯於複數行動通訊裝置之歷史人流資料；一機器學習模組，係具有機器學習程式以將資料讀取模組所讀取之關聯於複數行動通訊裝置之歷史人流資料進行機器學習，以供機器學習程式依據機器學習之結果產生關聯於複數行動通訊裝置之下一時間的人流資料的預估值；一異常偵測模組，係比較機器學習程式所產生之下一時間的人流資料的預估值與實際值兩者之差異值，以於差異值在門檻值或其範圍之外時，由異常偵測模組判定下一時間的人流資料為人流異常資料；以及一地圖標定模組，係在電子地圖上自動標定或警示與異常偵測模組所判定之人流異常資料相應之人流異常區域。

本發明之依機器學習偵測使用行動通訊服務之人流異常之方法包括：由一資料讀取模組自一網格與相鄰網格中 讀取關聯於複數行動通訊裝置之歷史人流資料；由一機器學習模組之機器學習程式將資料讀取模組所讀取之關聯於複數行動通訊裝置之歷史人流資料進行機器學習，以供機器學習程式依據機器學習之結果產生關聯於複數行動通訊裝置之下一時間的人流資料的預估值；由一異常偵測模組比較機器學習程式所產生之下一時間的人流資料的預估值與實際值兩者之差異值，以於差異值在門檻值或其範圍之外時，由異常偵測模組判定下一時間的人流資料為人流異常資料；以及由一地圖標定模組在電子地圖上自動標定或警示與異常偵測模組所判定之人流異常資料相應之人流異常區域。

為讓本發明上述特徵與優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明。在以下描述內容中將部分闡述本發明之額外特徵及優點，且此等特徵及優點將部分自所述描述內容顯而易見，或可藉由對本發明之實踐習得。本發明之特徵及優點借助於在申請專利範圍中特別指出的元件及組合來認識到並達到。應理解，前文一般描述與以下詳細描述兩者均僅為例示性及解釋性的，且不欲約束本發明所主張之範圍。

1:依機器學習偵測使用行動通訊服務之人流異常之系統

10:資料讀取模組

20:資料處理模組

30:機器學習模組

31:機器學習模型

32:第一密度層

33:第二密度層

34:LSTM(長短期記憶)層

40:異常偵測模組

41:人流資料分析圖

50:地圖標定模組

51:電子地圖

52:異常區域地圖

53:地區名稱

60:顯示模組

A:基地台

B:行動通訊裝置

C1:網格

C2:相鄰網格

N:網格圖

R:距離

T:時間範圍

S1至S5:步驟

第1圖為本發明之依機器學習偵測使用行動通訊服務之人流異常之系統的架構示意圖；第2A圖與第2B圖為本發明之不同表示方式之網格圖； 第3A圖為本發明之一實施例中以例如深度神經網路(DNN)建構之機器學習模型；第3B圖為本發明之一實施例中以例如遞歸神經網路(RNN)建構之機器學習模型；第4圖為本發明之一實施例之人流資料分析圖；第5圖為本發明之一實施例中在電子地圖上標定人流異常區域、異常區域地圖及地區名稱之示意圖；以及第6圖為本發明之依機器學習偵測使用行動通訊服務之人流異常之方法的流程示意圖。

以下藉由特定的具體實施形態說明本發明之實施方式，熟悉此技術之人士可由本說明書所揭示之內容輕易地了解本發明之其他優點與功效，亦可藉由其他不同的具體實施形態加以施行或應用。

第1圖為本發明之依機器學習偵測使用行動通訊服務之人流異常之系統1的架構示意圖。如圖所示，依機器學習偵測使用行動通訊服務之人流異常之系統1可包括彼此互相連接、傳遞資料或訊息之一資料讀取模組10、一資料處理模組20、一機器學習模組30、一異常偵測模組40、一地圖標定模組50與一顯示模組60等至少六個模組。

上述六個模組可採用硬體、韌體、軟體或其組合之方式予以建構或組成。例如，資料讀取模組10可為硬體之資料讀取器或軟體之資料讀取程式，資料處理模組20可為硬體之資料處理器或軟體之資料處理程式，機器學習模組30 可為軟體之機器學習程式，異常偵測模組40可為硬體之異常偵測器或軟體之異常偵測程式，地圖標定模組50可為軟體之地圖標定程式，顯示模組60可為硬體之顯示器、軟體之顯示程式或其組合。

第1圖之資料讀取模組10可自一網格C1與相鄰網格C2(見第2A圖與第2B圖)中讀取關聯於複數行動通訊裝置B之歷史人流資料，請參閱第3A圖與第3B圖所示歷史人流資料、或第4圖所示時間T00至T23之歷史人流資料。前述行動通訊裝置B可例如為智慧手機、智慧手錶、平板電腦或筆記型電腦等，且時間(如T00至T23...)可以不限單位，如每1分鐘、每10分鐘、每1小時或每1天等。

在網格資料填補上，第1圖之資料處理模組20能對資料讀取模組10所讀取之網格C1與相鄰網格C2的歷史人流資料進行資料處理；若網格C1與相鄰網格C2中所有時間之歷史人流資料皆缺漏，則以第一數值(例如0)填補所有時間之歷史人流資料；而若網格C1與相鄰網格C2中僅部分時間之歷史人流資料有缺漏，則以第二數值(例如平均值)填補部分時間之歷史人流資料。又，在時間範圍T上，資料處理模組20可以取前幾個小時之資料，且最小值(例如1)表示只取現在時間之資料，不取以前時間之資料。在空間範圍R上，資料處理模組20可以取網格C1之相鄰網格C2之資料，且最小值(例如0)表示只取網格C1之資料而不取相鄰網格C2之資料。

第1圖之機器學習模組30可具有機器學習程式，以將 資料讀取模組10所讀取之關聯於複數行動通訊裝置B之歷史人流資料進行機器學習，以供機器學習程式依據機器學習之結果產生關聯於複數行動通訊裝置B之下一時間的人流資料的預估值，請參閱第3A圖與第3B圖所示下一時間的人流資料、或第4圖所示下一時間T24的人流資料。下一時間可以表示下一時間點、下一時間段、或下一時槽(slot)，例如下一個10分鐘或下一個1小時。

同時，機器學習模組30之機器學習程式亦可進一步建立複數網格C1之人流特性，以依據複數網格C1之人流特性預估複數區域之下一時間的人流資料或人流數量。

第1圖之異常偵測模組40可比較機器學習程式所產生之下一時間的人流資料的預估值與實際值(觀測值)兩者之差異值，以於差異值在門檻值(見第4圖)或其範圍之外時，由異常偵測模組40判定下一時間的人流資料為人流異常資料。

第1圖之地圖標定模組50可在電子地圖51(見第5圖)上自動標定或警示與異常偵測模組40所判定之人流異常資料相應之人流異常區域(見第5圖所示深色或紅色的網格)與人流正常區域(見第5圖所示淺色或淡藍色的網格)。

第1圖之顯示模組60可依據地圖標定模組50在電子地圖51上所標定之人流異常區域自動顯示相應之異常區域地圖52或地區名稱53(見第5圖)。

第2A圖與第2B圖為本發明之不同表示方式之網格圖N。如第2A圖、第2B圖與第1圖所示，資料讀取模組10 可自一網格C1與相鄰網格C2中讀取關聯於複數行動通訊裝置B之歷史人流資料，一個網格C1可對應於至少二行動通訊裝置B與至少一基地台A，且至少二行動通訊裝置B可與至少一基地台A互相通訊。同時，一個網格C1具有例如「(2R+1)x(2R+1)」之面積，R表示空間範圍(即距離，如0.5公里)，2R+1表示網格C1之長度或寬度，T表示時間範圍(如第4圖所示歷史人流資料之時間T00至T23)。

第3A圖為本發明之一實施例中以例如深度神經網路(Deep Neural Network；DNN)建構之機器學習模型31，第3B圖為本發明之一實施例中以例如遞歸神經網路(Recurrent Neural Network；RNN)建構之機器學習模型31。

在本發明中，機器學習模組30可利用各種神經網路，例如深度神經網路(DNN)、遞歸神經網路(RNN)或卷積神經網路(Convolutionalneural network；CNN)建構出一機器學習模型31，以依據機器學習模型31產生機器學習程式。前述深度神經網路(DNN)可為深度全連接神經網路(Deep Fully-connected Neural Network)，遞歸神經網路(RNN)可為具長短期記憶(Long Short-Term Memory；LSTM)之遞歸神經網路，卷積神經網路(CNN)可為具地圖影像輸入(map image input)或時間序列資料輸入(time sequence data input)之卷積神經網路。但是，本發明並不以此為限。

例如，在第3A圖中，機器學習模組30可利用深度神經網路(DNN)建構出機器學習模型31，以將歷史人流資料 依序通過第一密度層32與第二密度層33而產生下一時間的人流資料。而在第3B圖中，機器學習模組30可利用具長短期記憶(LSTM)之遞歸神經網路(RNN)建構出機器學習模型31，以將歷史人流資料通過複數LSTM層34而產生下一時間的人流資料。

在上述第3A圖與第3B圖中，歷史人流資料可包括第3A圖至第3B圖所示公式「(2R+1)x(2R+1)x T」之範圍的人流資料，下一時間的人流資料可包括第3A圖至第3B圖所示公式「(2R+1)x(2R+1)x(T+1)」之下一時間的人流資料。R表示空間範圍(即距離)，2R+1表示網格C1之長度或寬度，T表示時間範圍(如第4圖所示歷史人流資料之時間T00至T23)，歷史人流資料表示已知或已計算之人流資料，且下一時間(如第4圖之時間T24)之人流資料表示未知、待計算或待預估之人流資料。

第4圖為本發明之一實施例之人流資料分析圖41。如第4圖所示，第1圖之異常偵測模組40可對歷史人流資料(如時間T00至T23之人流資料)進行分析，以依據歷史人流資料之分析結果建立包括「預估值」、「正常(即人流正常資料)」、「異常(即人流異常資料)」與「門檻值」之人流資料分析圖41。又，異常偵測模組40亦可依據歷史人流資料之分析結果設定門檻值，且門檻值可隨著歷史人流資料之時間或人數(人流數量)的變化而改變。

同時，第1圖之異常偵測模組40可比較機器學習程式所產生之下一時間(如時間T24)的人流資料的預估值與實 際值(觀測值)兩者之差異值，以於差異值在門檻值或其範圍之外時，由異常偵測模組40判定下一時間的人流資料為「異常(即人流異常資料)」。

第5圖為本發明之一實施例中在電子地圖51上標定人流異常區域(見深色或紅色的網格)、異常區域地圖52及地區名稱53之示意圖。

如圖所示，第1圖之地圖標定模組50可在第5圖之電子地圖51上自動標定與異常偵測模組40所判定之人流異常資料相應之人流異常區域(見深色或紅色的網格)與人流正常區域(見淺色或淡藍色的網格)，且每一網格可具有例如0.25平方公里(km²)。同時，第1圖之顯示模組60可依據地圖標定模組50在第5圖之電子地圖51上所標定之人流異常區域自動顯示相應之異常區域地圖52或地區名稱53。

第6圖為本發明之依機器學習偵測使用行動通訊服務之人流異常之方法的流程示意圖，請一併參閱第1圖至第5圖。同時，本發明依機器學習偵測使用行動通訊服務之人流異常之方法的主要技術內容如下，其餘技術內容如同上述第1圖至第5圖之詳細說明，於此不再重覆敘述。

如第6圖之步驟S1所示，由一資料讀取模組10自一網格C1與相鄰網格C2中讀取關聯於複數行動通訊裝置B之歷史人流資料。

在此步驟中，亦可由一資料處理模組20對資料讀取模組10所讀取之歷史人流資料進行資料處理，其中，若網格 C1與相鄰網格C2中所有時間之歷史人流資料皆缺漏，則以第一數值(如0)填補所有時間之歷史人流資料，而若網格C1與相鄰網格C2中僅部分時間之歷史人流資料有缺漏，則以第二數值(如平均值)填補部分時間之歷史人流資料。

如第6圖之步驟S2所示，由一機器學習模組30之機器學習程式將資料讀取模組10所讀取之關聯於複數行動通訊裝置B之歷史人流資料進行機器學習，以供機器學習程式依據機器學習之結果產生關聯於複數行動通訊裝置B之下一時間的人流資料的預估值。

如第6圖之步驟S3所示，由一異常偵測模組40比較機器學習程式所產生之下一時間的人流資料的預估值與實際值(觀測值)兩者之差異值，以於差異值在門檻值或其範圍之外時，由異常偵測模組40判定下一時間的人流資料為人流異常資料。

在此步驟中，亦可由異常偵測模組40對歷史人流資料進行分析，以依據歷史人流資料之分析結果設定門檻值，且門檻值可隨著歷史人流資料之時間或人數(人流數量)的變化而改變。

如第6圖之步驟S4所示，由一地圖標定模組50在電子地圖51上自動標定或警示與異常偵測模組40所判定之人流異常資料相應之人流異常區域。

如第6圖之步驟S5所示，由一顯示模組60依據地圖標定模組50在電子地圖51上所標定之人流異常區域自動顯示相應之異常區域地圖52或地區名稱53。

綜上，本發明之依機器學習偵測使用行動通訊服務之人流異常之系統及其方法可具有下列特色、優點或技術功效：

一、本發明可透過機器學習程式、異常偵測模組與地圖標定模組等協同運作，以快速及/或精準地偵測或判定(未來)下一時間的人流資料或人流異常資料。

二、本發明利用行動通訊裝置之普及性(幾乎人手一機)，可以大範圍地掌握關聯於複數行動通訊裝置之人流的分布狀態。

三、本發明透過行動通訊裝置之巨量資料擷取出人流資料，藉由機器學習模組(機器學習程式)自動研判人流資料之時間或區域是否異常，以自動標定或警示人流異常區域，提升對於各種事件(如緊急災害事件)之人流異常資料的反應效率。

四、本發明可應用任何需要偵測人流異常資料之事件上，例如地震、風災、水災等緊急災害之事件，或者集會、遊行、選舉、音樂會等一般活動之事件。

上述實施形態僅例示性說明本發明之原理、特點及其功效，並非用以限制本發明之可實施範疇，任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。任何運用本發明所揭示內容而完成之等效改變及修飾，均仍應為申請專利範圍所涵蓋。因此，本發明之權利保護範圍，應如申請專利範圍所列。

1:依機器學習偵測使用行動通訊服務之人流異常之系統

10:資料讀取模組

20:資料處理模組

30:機器學習模組

40:異常偵測模組

50:地圖標定模組

60:顯示模組

A:基地台

B:行動通訊裝置

C1:網格

C2:相鄰網格

Claims (11)

1. 一種依機器學習偵測使用行動通訊服務之人流異常之系統，包括：一資料讀取模組，係自一網格與相鄰網格中讀取關聯於複數行動通訊裝置在緊鄰時間之連續時間序列上之歷史人流資料，其中，該網格係對應於至少二行動通訊裝置與至少一基地台，且該歷史人流資料表示在該緊鄰時間之連續時間序列上已知或已計算之人流資料；一機器學習模組，係具有機器學習程式以將該資料讀取模組所讀取之關聯於該複數行動通訊裝置在該緊鄰時間之連續時間序列上之該歷史人流資料進行機器學習，以供該機器學習程式依據該機器學習之結果產生關聯於該複數行動通訊裝置在該緊鄰時間之連續時間序列上之下一時間的人流資料的預估值，其中，該下一時間的人流資料表示在該緊鄰時間之連續時間序列上該歷史人流資料後之未知、待計算或待預估之人流資料；一異常偵測模組，係比較該機器學習程式所產生之關聯於該複數行動通訊裝置在該緊鄰時間之連續時間序列上之該下一時間的人流資料的預估值與關聯於該複數行動通訊裝置在該緊鄰時間之連續時間序列上之該下一時間的人流資料的實際值兩者之差異值，以於該差異值在門檻值或其範圍之外時，由該異常偵測 模組判定在該緊鄰時間之連續時間序列上該下一時間的人流資料為人流異常資料；以及一地圖標定模組，係在電子地圖上自動標定或警示與該異常偵測模組所判定之該人流異常資料相應之人流異常區域。
2. 如申請專利範圍第1項所述之系統，其中，該至少二行動通訊裝置與該至少一基地台互相通訊。
3. 如申請專利範圍第1項所述之系統，更包括一資料處理模組，係對該資料讀取模組所讀取之該網格與相鄰網格的該歷史人流資料進行資料處理，其中，若該網格與相鄰網格中所有時間之該歷史人流資料皆缺漏，則以第一數值填補該所有時間之該歷史人流資料，而若該網格與相鄰網格中僅部分時間之該歷史人流資料有缺漏，則以第二數值填補該部分時間之該歷史人流資料。
4. 如申請專利範圍第1項所述之系統，其中，該機器學習模組更建立複數網格之人流特性，以依據該複數網格之人流特性預估複數區域之下一時間的人流資料或人流數量。
5. 如申請專利範圍第1項所述之系統，其中，該機器學習模組係利用深度神經網路(DNN)、遞歸神經網路(RNN)或卷積神經網路(CNN)建構出一機器學習模型，以依據該機器學習模型產生該機器學習程式。
6. 如申請專利範圍第1項所述之系統，其中，該異常偵 測模組更對該歷史人流資料進行分析，以依據該歷史人流資料之分析結果設定該門檻值，且該門檻值隨著該歷史人流資料之時間或人數的變化而改變。
7. 如申請專利範圍第1項所述之系統，更包括一顯示模組，係依據該地圖標定模組在該電子地圖上所標定之該人流異常區域自動顯示相應之異常區域地圖或地區名稱。
8. 一種依機器學習偵測使用行動通訊服務之人流異常之方法，包括：由一資料讀取模組自一網格與相鄰網格中讀取關聯於複數行動通訊裝置在緊鄰時間之連續時間序列上之歷史人流資料，其中，該網格係對應於至少二行動通訊裝置與至少一基地台，且該歷史人流資料表示在該緊鄰時間之連續時間序列上已知或已計算之人流資料；由一機器學習模組之機器學習程式將該資料讀取模組所讀取之關聯於該複數行動通訊裝置在該緊鄰時間之連續時間序列上之該歷史人流資料進行機器學習，以供該機器學習程式依據該機器學習之結果產生關聯於該複數行動通訊裝置在該緊鄰時間之連續時間序列上之下一時間的人流資料的預估值，其中，該下一時間的人流資料表示在該緊鄰時間之連續時間序列上該歷史人流資料後之未知、待計算或待預估之人流資料； 由一異常偵測模組比較該機器學習程式所產生之關聯於該複數行動通訊裝置該緊鄰時間之連續時間序列上之該下一時間的人流資料的預估值與關聯於該複數行動通訊裝置該緊鄰時間之連續時間序列上之該下一時間的人流資料的實際值兩者之差異值，以於該差異值在門檻值或其範圍之外時，由該異常偵測模組判定該緊鄰時間之連續時間序列上該下一時間的人流資料為人流異常資料；以及由一地圖標定模組在電子地圖上自動標定或警示與該異常偵測模組所判定之該人流異常資料相應之人流異常區域。
9. 如申請專利範圍第8項所述之方法，更包括由一資料處理模組對該資料讀取模組所讀取之該網格與相鄰網格的該歷史人流資料進行資料處理，其中，若該網格與相鄰網格中所有時間之該歷史人流資料皆缺漏，則以第一數值填補該所有時間之該歷史人流資料，而若該網格與相鄰網格中僅部分時間之該歷史人流資料有缺漏，則以第二數值填補該部分時間之該歷史人流資料。
10. 如申請專利範圍第8項所述之方法，更包括由該異常偵測模組對該歷史人流資料進行分析，以依據該歷史人流資料之分析結果設定該門檻值，且該門檻值隨著該歷史人流資料之時間或人數的變化而改變。
11. 如申請專利範圍第8項所述之方法，更包括由一顯示 模組依據該地圖標定模組在該電子地圖上所標定之該人流異常區域自動顯示相應之異常區域地圖或地區名稱。

Images