社區(qū)老年人空間行為軌跡異常分析方法

孟祥澤， 胡嘯峰*， 沈 兵

(1.中國人民公安大學(xué)信息網(wǎng)絡(luò)安全學(xué)院， 北京 100038；2.中國人民公安大學(xué)公共安全行為科學(xué)實(shí)驗(yàn)室， 北京 100038)

老年人在社區(qū)室外行動(dòng)中面臨突發(fā)疾病(如心臟病)、走失(如阿爾茲海默癥患者)等常見風(fēng)險(xiǎn)。調(diào)研發(fā)現(xiàn)，在大量老年人猝死事故案例中，如果在事故發(fā)生后的特定時(shí)間內(nèi)能夠快速發(fā)現(xiàn)并及時(shí)搶救，可以極大地降低死亡概率。當(dāng)前，社區(qū)視頻監(jiān)控普遍存在死角，社區(qū)網(wǎng)格員及各類管理服務(wù)人員數(shù)量有限、工作繁重，難以全天候?qū)ι鐓^(qū)老年人活動(dòng)進(jìn)行安全監(jiān)控與服務(wù)，因此，基于定位裝置與軌跡研判的監(jiān)控方式逐漸受到重視。

目前，中外空間軌跡數(shù)據(jù)分析研究中，多采用聚類算法挖掘人員行為模式與軌跡序列特征。常用的軌跡聚類算法主要包括：①劃分方法，如K均值聚類算法(K-means clustering algorithm，K-means)、最大期望算法(expectation-maximization，EM)，該類算法處理大數(shù)據(jù)集效果較好，但無法識(shí)別球形軌跡，趙玉明等[1]將基于Kullback-Leibler散度(Kullback-Leibler divergence)的相似性尺度與聚類方法相結(jié)合以提高聚類準(zhǔn)確度；②層次方法，如BIRCH(balanced iterative reducing and clustering using hierarchies)[2]、CURE(clustering using representative)[3]算法，優(yōu)點(diǎn)在于能夠適應(yīng)任意形狀的軌跡和不同屬性的數(shù)據(jù)，但計(jì)算時(shí)間較長；③基于密度的方法，如DBSCAN(density-based spatial clustering of applications with noise)算法[4,5]、OPTICS(ordering point to identify the cluster structure)算法[6]，CFSFDP(clustering by fast search and find of density peaks)算法[7-8]，優(yōu)點(diǎn)是能夠形成任意形狀的簇，但是需要自定義參數(shù)，且最佳參數(shù)設(shè)定需要多次嘗試；④基于網(wǎng)格的方法[9]，如STING(statistical information grid-based method)[10]、CLIQUE(clustering in QUEst)算法[11]，優(yōu)點(diǎn)是可以處理任意類型的數(shù)據(jù)，但聚類效果依賴劃分的網(wǎng)格單元。由于基于密度的算法可以形成任意形狀的簇，并且無需預(yù)定義簇的個(gè)數(shù)，因此在軌跡分析研究中使用的頻率較高。

軌跡間的距離度量算法同樣是軌跡數(shù)據(jù)分析中的關(guān)鍵技術(shù)，目前常用的軌跡間距離算法包括歐氏距離、豪斯多夫(Hausdorff)距離、最長公共子序列(longest-common-subsequence，LCSS)[12]、分段路徑對應(yīng)距離(symmetric segment path distance，SSPD)等算法。魏龍翔[13]提出了集合Hausdorff距離與LCSS距離的算法。動(dòng)態(tài)時(shí)間規(guī)整算法(dynamic time warping，DTW)[14-15]適合利用不同采樣率和規(guī)模的數(shù)據(jù)進(jìn)行軌跡間距計(jì)算。

目前的異常軌跡檢測算法普遍將聚類算法與距離度量算法結(jié)合運(yùn)用，來檢驗(yàn)離群軌跡。如異常軌跡檢測算法(trajectory outlier detection，TAROD)[16-17]先將軌跡進(jìn)行分段，然后綜合利用基于距離和基于密度的聚類算法檢測離群軌跡。基于時(shí)間的路網(wǎng)中熱門路線的異常檢測(time-dependent popular routes based trajectory outlier detection，TPRO)算法[18]提出了一種基于時(shí)間的距離度量，并同時(shí)考慮了時(shí)間和空間的異常。胡瑗等[19]對軌跡進(jìn)行分段，然后使用主題模型線性判別分析(linear discriminant analysis，LDA)進(jìn)行局部聚類，最后建立隱馬爾可夫模型進(jìn)行異常軌跡識(shí)別。何明等[20]結(jié)合DTW和Hausdorff距離兩種度量算法，并定義了3種不同的異常模式對異常軌跡進(jìn)行識(shí)別。逄煥利等[21]結(jié)合基于軌跡分離的異常軌跡算法(isolation-based anomalous trajectory，IBAT)和DTW算法檢測異常軌跡。李旭東等[22]改進(jìn)了SSPD方法并結(jié)合密度峰值聚類算法識(shí)別軌跡。胡園等[23]提出了一種基于密度的(radius density-based spatial clustering of applications with noise，RDBSCAN)聚類方法，并結(jié)合軌跡密度異常和長度異常識(shí)別異常軌跡?？紤]到ST-DBSCAN算法[24]與DTW算法可同時(shí)兼顧空間與時(shí)間信息，使得模型能從時(shí)間與空間尺度上綜合檢測異常軌跡。王雷等[25]通過計(jì)算出租車的流量變化來識(shí)別交通的異常狀況?，F(xiàn)擬結(jié)合ST-DBSCAN聚類算法和DTW算法來識(shí)別異常軌跡。因?yàn)槔夏耆诵袨檐壽E存在一定的隨機(jī)性，某些離群軌跡不一定等同于異常軌跡。而目前大部分異常軌跡識(shí)別研究中，大多將離群軌跡等同于異常軌跡。這與實(shí)際情況往往存在一定的差異。為描述行人的具體行為，需要從軌跡數(shù)據(jù)中提取出行為鏈，如崔洪軍等[26]通過建立出行乘客的行為鏈來描述乘客行為，并使用馬爾科夫鏈模型預(yù)測乘客行為。

針對上述問題，首先利用ST-DBSCAN算法和DTW算法分辨老年人的離群軌跡。其次，針對所定義的老年人在社區(qū)室外場景下的兩種異常軌跡模式：出行軌跡偏離日常軌跡和出行時(shí)異常停止或速度異常，識(shí)別老年人異常軌跡。再次，結(jié)合老年人的背景信息、氣象信息進(jìn)行安全風(fēng)險(xiǎn)分析。最后，結(jié)合老年人出行軌跡異常模式、老年人背景信息、氣象信息，建立社區(qū)老年人異常行為軌跡風(fēng)險(xiǎn)分析模型。

1 算法模型與方法

建立了社區(qū)老年人異常行為軌跡風(fēng)險(xiǎn)分析模型，如圖1所示。該模型分為2部分：空間異常行為軌跡識(shí)別、空間異常行為軌跡風(fēng)險(xiǎn)分析。

圖1 社區(qū)老年人異常行為軌跡風(fēng)險(xiǎn)分析模型Fig.1 Risk analysis model of elderly people’s spatial behavior trajectory

第一部分為空間異常行為軌跡識(shí)別。使用ST-DBSCAN軌跡聚類算法對老年人的空間行為軌跡進(jìn)行聚類，識(shí)別出老年人動(dòng)態(tài)行為鏈及行為軌跡規(guī)律。異常識(shí)別模塊以兩種常見的老年人異常軌跡模式識(shí)別為目標(biāo)(出行軌跡偏離日常軌跡和停留時(shí)間過長)，利用DTW算法對老年人的動(dòng)態(tài)軌跡進(jìn)行異常軌跡識(shí)別。第二部分為空間異常行為軌跡風(fēng)險(xiǎn)分析。模塊綜合考慮老年人的異常軌跡模式、老年人的身份屬性信息和環(huán)境信息等特征，建立老年人的異常軌跡綜合風(fēng)險(xiǎn)分析模型，定量化地分析老年人在室外場景下的異常軌跡風(fēng)險(xiǎn)，實(shí)現(xiàn)老年人異常軌跡預(yù)警。

1.1 空間異常行為軌跡識(shí)別

定義了兩種老年人的出行異常，如圖1中空間異常行為軌跡識(shí)別部分所示，模型的第一部分用于識(shí)別這兩種異常。第一種異常為老年人的出行軌跡偏離日常軌跡，第二種異常為老年人出行時(shí)出現(xiàn)異常停止或出現(xiàn)速度異常的情況。

1.1.1 出行軌跡偏離日常軌跡

針對第一種異常情況，首先要確定老年人的日常軌跡，利用ST-DBSCAN聚類算法對老年人的軌跡數(shù)據(jù)進(jìn)行聚類，得到老年人頻繁訪問的地點(diǎn)。連接這些訪問熱點(diǎn)，得到老年人的日常行為鏈，即為老年人的日常軌跡。下一步使用DTW動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算老年人出行軌跡與老年人日常行為鏈之間的距離。計(jì)算每一條出行軌跡與行為鏈的距離，并求出平均值，將其作為判斷出行軌跡是否異常的臨界距離。如果某條實(shí)時(shí)出行軌跡與日常軌跡之間的距離大于平均值，則認(rèn)為這條出行軌跡是異常的。

利用ST-DBSCAN聚類算法，設(shè)存在數(shù)據(jù)總量為N的軌跡點(diǎn)集{X1,X2, …,XN}，預(yù)設(shè)空間鄰域半徑為SEPS，時(shí)間鄰域半徑為TEPS，每個(gè)聚類簇內(nèi)最少包含點(diǎn)的個(gè)數(shù)為 MinPTS。隨機(jī)選取一個(gè)中心點(diǎn)計(jì)算空間鄰域和時(shí)間鄰域內(nèi)點(diǎn)的個(gè)數(shù)n，如n≥MinPTS則鄰域內(nèi)的點(diǎn)為一個(gè)簇，接下來重復(fù)此步來尋找同一個(gè)簇。DTW算法利用時(shí)間序列進(jìn)行延伸和縮短，來計(jì)算兩個(gè)時(shí)間序列之間的相似性。兩個(gè)時(shí)間序列為X和Y，長度分別為|X|和|Y|。歸整路徑，其形式為W=w1,w2,…,wK，Max(|X|,|Y|)≤K≤|X|+|Y|。wK的形式為(i,j)，其中i表示X中的i坐標(biāo)，j表示Y中的j坐標(biāo)。歸整路徑W必須從w1=(1,1)開始，到wK=(|X|,|Y|)結(jié)尾，以保證X和Y中的每個(gè)坐標(biāo)都在W中出現(xiàn)。另外，W中w(i,j)的i和j必須是單調(diào)增加的。最后要得到的歸整路徑是距離最短的一個(gè)歸整路徑,即

D(i,j)=Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]

(1)

式(1)中：D(i,j)為長度為i和j的兩個(gè)時(shí)間序列之間的歸整路徑距離。最后求得的規(guī)整路徑的距離為D(|X|,|Y|)。

1.1.2 出行時(shí)異常停止或速度異常

第二種異常情況是指在出行過程中老年人突發(fā)疾病倒地或老年人由于身體不適導(dǎo)致行動(dòng)緩慢的情況。為檢測老年人的異常停止，首先統(tǒng)計(jì)老年人在日常行動(dòng)中出現(xiàn)停止移動(dòng)的地點(diǎn)和停止的時(shí)間，將數(shù)據(jù)中最長的停止時(shí)間tmax作為臨界條件。如果實(shí)時(shí)運(yùn)動(dòng)軌跡中出現(xiàn)了老年人在某處的停止時(shí)間大于tmax的情況，則認(rèn)為老年人在此處可能遇到了意外摔倒或失去意識(shí)的情況，此時(shí)老年人存在猝死的風(fēng)險(xiǎn)。

為檢測老年人的異常速度，使用式(2)～式(4)來計(jì)算老年人的移動(dòng)速度。分析老年人的出行速度時(shí)，將日常出行中的最低速度作為判斷老年人出行時(shí)速度是否異常的臨界值。如果老年人實(shí)時(shí)出行時(shí)的移動(dòng)速度小于臨界值，則認(rèn)為此時(shí)老年人可能遇到了異常情況。

c=sin(Lat1)sin(Lat2)cos(Lng1-Lng2)+cos(Lat1)cos(Lat2)

(2)

D=π/180Rarccos(c)

(3)

v=D/t

(4)

式中：Lat為緯度；Lng為經(jīng)度；R為地球半徑，m；D為兩點(diǎn)之間的距離，m；v為兩點(diǎn)之間的瞬時(shí)速度，m/s；t為兩點(diǎn)的時(shí)間差，s；c為圓心角，rad。

1.2 空間異常行為軌跡風(fēng)險(xiǎn)分析

模型在1.1節(jié)“空間異常行為軌跡識(shí)別”中識(shí)別出了異常情況，為增加模型識(shí)別安全風(fēng)險(xiǎn)的準(zhǔn)確性，結(jié)合異常軌跡模式、老年人身份屬性信息、環(huán)境信息對出現(xiàn)的異常進(jìn)行具體的風(fēng)險(xiǎn)分析。如表1所示，分為人員數(shù)據(jù)、出行數(shù)據(jù)、天氣數(shù)據(jù)、異常4種屬性，每個(gè)屬性包含不同的情況，每一種情況分為不同風(fēng)險(xiǎn)等級(jí)，分別有0到3分的差別。其中各項(xiàng)數(shù)值是通過專家經(jīng)驗(yàn)得到的權(quán)重值。針對老年人發(fā)生異常時(shí)的不同情況進(jìn)行打分，最后得分除以表中最大分值21，此數(shù)值即為老年人行為軌跡出現(xiàn)異常時(shí)的安全風(fēng)險(xiǎn)。

表1 行為軌跡安全風(fēng)險(xiǎn)權(quán)重值Table 1 Behavior trajectory security risk weight value

2 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證模型的有效性，使用微軟開源的軌跡數(shù)據(jù)集GeoLife對模型進(jìn)行驗(yàn)證。假設(shè)GeoLife數(shù)據(jù)集中編號(hào)102與97的人員為老年人。下一步對數(shù)據(jù)賦予假設(shè)的老年人背景信息和氣象信息，將真實(shí)的軌跡數(shù)據(jù)與模擬的人員背景數(shù)據(jù)、氣象數(shù)據(jù)相結(jié)合來驗(yàn)證模型。其中方法的實(shí)用性和有效性需要在之后實(shí)踐中進(jìn)一步驗(yàn)證[27]。

使用ST-DBSCAN算法提取兩人的日常行為鏈如圖2所示。選擇兩人4 d的出行路線來判斷這4 d 的出行是否遇到了危險(xiǎn)，每種顏色表示每一天的出行軌跡，如圖3所示。使用DTW算法分別計(jì)算4條軌跡與日常行為鏈的距離，將其與邊界距離相比。在102號(hào)的4條出行軌跡中，第一條與第四條軌跡的偏離值大于了邊界值，所以將這兩條軌跡認(rèn)定為異常軌跡。97號(hào)的第三條軌跡的偏離值大于了邊界值，所以這一條軌跡判斷為異常軌跡。下一步判斷兩人的出行軌跡是否符合第二種異常模式，如圖4所示分析兩人的實(shí)時(shí)移動(dòng)速度，結(jié)果表明102號(hào)被觀測者偶爾使用交通工具出行，而97號(hào)則是經(jīng)常步行出門。分析兩人出行時(shí)在某處停止的時(shí)間，兩人的最長停止時(shí)間分別為5 s和1 min 30 s，將其作為判斷第二種異常情況的臨界條件。從兩人這4 d的出行軌跡來看，兩人的出行軌跡出現(xiàn)了第一種異常情況，而沒有出現(xiàn)第二種異常。

圖2 使用ST-DBSCAN得到的軌跡行為鏈Fig.2 Trajectory behavior chain after clustering using ST-DBSCAN algorithm

圖3 4 d的出行軌跡與日常軌跡比較Fig.3 Comparison of travel trajectory with daily trajectory of 4 days

圖4 被觀察者出行習(xí)慣分析Fig.4 Analysis of travel habits of the observed

對兩人出現(xiàn)的異常進(jìn)行風(fēng)險(xiǎn)分析，結(jié)果如表2所示，102號(hào)的第一條和第三條出行軌跡存在風(fēng)險(xiǎn)，其安全風(fēng)險(xiǎn)為33.3%和42.8%。97號(hào)的第三條軌跡存在風(fēng)險(xiǎn)，其安全風(fēng)險(xiǎn)為23.8%。

表2 模型結(jié)果風(fēng)險(xiǎn)值Table 2 Model risk value

3 結(jié)論

建立了一個(gè)老年人空間異常行為軌跡風(fēng)險(xiǎn)分析模型。使用模型對老年人的出行數(shù)據(jù)進(jìn)行分析，并計(jì)算出老年人軌跡出現(xiàn)異常時(shí)的安全風(fēng)險(xiǎn)。整個(gè)模型由老年人空間異常行為軌跡識(shí)別、老年人空間異常行為軌跡風(fēng)險(xiǎn)分析這兩部分組成。結(jié)合ST-DBSCAN算法和DTW算法建立異常軌跡檢測模型來識(shí)別老年人異常軌跡，并建立了風(fēng)險(xiǎn)分析模型，該部分結(jié)合異常軌跡模式、老年人背景信息、氣象信息，計(jì)算出老年人出行時(shí)的安全風(fēng)險(xiǎn)。從實(shí)驗(yàn)結(jié)果來看，研究成果可以為社區(qū)、居委會(huì)、養(yǎng)老機(jī)構(gòu)提供老年人異常行為軌跡風(fēng)險(xiǎn)分析的技術(shù)支持，并能夠?yàn)樯鐓^(qū)的安全管理提供服務(wù)。