一種基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法
【專利摘要】本發(fā)明涉及一種基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其步驟為：1）對移動對象時(shí)空數(shù)據(jù)流進(jìn)行采集，存儲移動對象的位置信息；2）以每個(gè)采樣時(shí)刻為單位，挖掘當(dāng)前時(shí)刻t的所有移動對象聚類，根據(jù)移動對象聚類得到一鄰接表，同時(shí)更新該鄰接表中的聚類間關(guān)聯(lián)關(guān)系；3）根據(jù)鄰接表中的鏈接關(guān)系在不大于t時(shí)刻內(nèi)向前面的采樣時(shí)刻搜索，建立滾雪球模式并挖掘出所有雪球模式的異常行為；4）根據(jù)雪球模式的異常行為檢測出突發(fā)事件。本發(fā)明的方法將移動對象聚類過程和雪球模式挖掘過程聯(lián)系起來，使得雪球模式的挖掘可以直接從鄰接表中搜索得到，不再需要額外計(jì)算開銷，從而降低了計(jì)算代價(jià)，提高了效率，同時(shí)提高了挖掘結(jié)果的有效性。
【專利說明】一種基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及災(zāi)難預(yù)警領(lǐng)域中的一種基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法。
【背景技術(shù)】
[0002]近年來，我國進(jìn)入了非常規(guī)突發(fā)事件的高發(fā)期，非常規(guī)突發(fā)事件帶來了巨大的生命與財(cái)產(chǎn)損失，并伴隨著深遠(yuǎn)的災(zāi)難后果。為了更好的避免災(zāi)難減少損失，災(zāi)難預(yù)警技術(shù)得到了廣泛的關(guān)注與研究，其中從移動對象數(shù)據(jù)流中準(zhǔn)確地獲得實(shí)時(shí)的移動對象群體異常行為具有重要的研究與實(shí)用價(jià)值。
[0003]目前的移動對象行為模式聚類方法主要分為兩大類:移動對象聚類和移動軌跡聚類，然而這些方法都不能檢測出復(fù)雜群體行為的突發(fā)事件。其中移動對象聚類方法研究的是行駛過程中同行或者部分同行的移動對象群體，其中具有代表性的有JoachimGudmundsson 等提出的 Flock, Hoyoung Jeung 等提出的 Convoy, Zhenhui Li 等提出的Swarm, Lu-An Tang 等提出的 Companions,以及 Kai Zheng 等提出的 Gathering 等等。移動軌跡聚類研究的是移動對象群體中相似的軌跡段，其中具有代表性的有Jae-Gil Lee等提出的 Partition-and-Group, Huey-Ru Wu 等提出的 Dividing-and-Clustering,以及 FoscaGiannotti 提出的 Region-of-1nterest 等等。
[0004]然而，上述研究都無法表示并檢測移動對象群體的異常行為。在移動對象數(shù)據(jù)流中異常行為的表示與建模、異常行為模式的挖掘和檢測、原型系統(tǒng)的實(shí)現(xiàn)與性能分析等，沒有得到有效的研究與解決，對這些關(guān)鍵技術(shù)問題有待進(jìn)一步的研究。

【發(fā)明內(nèi)容】

[0005]針對上述尚無解決的關(guān)鍵問題，本發(fā)明提出了一種聞效、聞精度、實(shí)時(shí)的基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法。在本發(fā)明中，移動對象群體的異常行為被抽象為滾雪球模式的異常行為，具體來說就是移動對象群體的持續(xù)急劇增大或縮小的行為模型。本發(fā)明提出了根據(jù)雪球模式進(jìn)行突發(fā)事件檢測的方法，即通過移動對象聚類的急劇變化來檢測突發(fā)事件。
[0006]本發(fā)明所采用的技術(shù)方案是通過采集和存儲的移動對象時(shí)空數(shù)據(jù)流，然后采用基于密度的聚類算法，以每個(gè)采樣時(shí)刻為單位，實(shí)時(shí)地獲得移動對象聚類，并高效地檢測當(dāng)前移動對象中滾雪球模式的異常行為，及時(shí)預(yù)示可能發(fā)生的災(zāi)難。
[0007]本發(fā)明基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其步驟包括:
[0008]一種基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其步驟包括:
[0009]I)對移動對象時(shí)空數(shù)據(jù)流進(jìn)行采集，存儲移動對象的位置信息(t，lon，lat)，其中t表示采樣時(shí)刻，1n和Iat分別是在采樣時(shí)刻t時(shí)所述移動對象所在的經(jīng)緯度；
[0010]2)以每個(gè)采樣時(shí)刻為單位，挖掘當(dāng)前時(shí)刻t的所有移動對象聚類，根據(jù)所述移動對象聚類得到一鄰接表，同時(shí)更新該鄰接表中的聚類間關(guān)聯(lián)關(guān)系；
[0011]3)根據(jù)所述鄰接表中的鏈接關(guān)系在不大于t時(shí)刻內(nèi)向前面的采樣時(shí)刻搜索，建立滾雪球模式并挖掘出所有雪球模式的異常行為；
[0012]4)根據(jù)所述雪球模式的異常行為檢測出突發(fā)事件。
[0013]更進(jìn)一步，所述雪球模式的異常行為是指找出所述移動對象時(shí)空數(shù)據(jù)流中持續(xù)急劇增大或縮小的移動對象群體異常行為。
[0014]更進(jìn)一步，所述雪球模式S是由一系列有序的聚類IC1, C2，…，CJ組成，其中設(shè)Ci是采樣時(shí)刻ti的移動對象聚類(其中I < i < n)，并且S滿足:
[0015](I)雪球模式的持續(xù)時(shí)間大于給定時(shí)間閾值δ t ；
[0016](2) S中任意相鄰的兩個(gè)聚類Ci和Ci+1之間滿足關(guān)聯(lián)關(guān)系:增大或縮小比例大于給定比例閾值δ θ ;增大或縮小速度大于給定速度閾值Sspeedo
[0017]更進(jìn)一步，根據(jù)所述移動對象聚類得到一鄰接表的方法如下:
[0018]I)在創(chuàng)建鄰接表的過程中，將聚類及其之間的關(guān)系轉(zhuǎn)換為有向圖；
[0019]2)將每個(gè)聚類轉(zhuǎn)換為有向圖中的頂點(diǎn)，聚類之間的關(guān)聯(lián)關(guān)系轉(zhuǎn)化為有向圖中的邊，有關(guān)聯(lián)關(guān)系的聚類之間相交的移動對象個(gè)數(shù)映射為有向圖中的邊權(quán)重；得到加權(quán)有向圖G;
[0020]3)采用鄰接表表示所述有向圖G。
[0021]更進(jìn)一步，所述移動對象聚類是由一組密集的移動對象組成的任意形狀的移動對象集合C，其中C中的任意兩 個(gè) 移動對象p、q之間都滿足距離可達(dá)關(guān)系，即P，q之間存在一串移動對象Q，Q中任意相鄰的兩個(gè)移動對象Oi和0i+1之間滿足:
[0022]I) OJg離可達(dá)近鄰內(nèi)的移動對象密度大于給定密度閾值μ ；
[0023]2 ) 0i+1在Oi的距離可達(dá)近鄰內(nèi)；
[0024]所述移動對象ρ的距離可達(dá)近鄰是一個(gè)移動對象集合N，其中N內(nèi)的任意移動對象q與P之間的距離在時(shí)間窗h內(nèi)都小于給定距離閾值ε。
[0025]更進(jìn)一步，所述滾雪球模式的方法如下:
[0026]I)訪問當(dāng)前未被訪問過的移動對象O，并標(biāo)記O為已訪問，并且根據(jù)距離閾值ε、時(shí)間窗閾值h、及所述移動對象的位置信息找出ο的距離可達(dá)近鄰N ；
[0027]2)若O的距離可達(dá)近鄰N的移動對象個(gè)數(shù)小于給定密度閾值μ，則標(biāo)記O為噪聲點(diǎn)；若大于給定密度閾值μ，則創(chuàng)建新的聚類C，擴(kuò)展聚類C并更新鄰接表AL;
[0028]3)掃描聚類C的鄰接表中所有的鏈接關(guān)系，刪除鄰接表中不滿足關(guān)聯(lián)關(guān)系的鏈接:得到更新的鄰接表AL;
[0029]4)根據(jù)更新的鄰接表AL，從當(dāng)前時(shí)刻的聚類C開始，沿著聚類C的鄰接表的鏈接關(guān)系往前面的時(shí)刻搜索，直至不存在鏈接關(guān)系為止，找出所有持續(xù)時(shí)間大于時(shí)間閾值δ t的雪球模式的異常行為，得到當(dāng)前時(shí)刻最長的雪球模式。
[0030]更進(jìn)一步，所述步驟3)中采用剪枝算法刪除鄰接表中不滿足關(guān)聯(lián)關(guān)系的鏈接。
[0031]更進(jìn)一步，所述更新鄰接表AL的方法如下:
[0032]I)將移動對象O添加至聚類C中，檢索上一個(gè)采樣時(shí)刻O所屬的聚類C’。，在鄰接表AL中創(chuàng)建一條從C指向C’。的鏈接關(guān)系〈C，C’。>，并設(shè)置權(quán)重ω (C，C’。)為I ;
[0033]2)訪問距離可達(dá)近鄰N內(nèi)的移動對象P，若ρ未被訪問過，則標(biāo)記P為已訪問，并且根據(jù)距離閾值ε、時(shí)間窗閾值h、及移動對象的位置信息找出ρ的距離可達(dá)近鄰Np ;若Np內(nèi)的移動對象個(gè)數(shù)大于給定密度閾值μ ,則將Np合并至N內(nèi)；[0034]3)若ρ不屬于任何聚類，則將P添加至聚類C中，檢索上一個(gè)采樣時(shí)刻ρ所屬的聚類C’ p，查找鄰接表AL中是否存在鏈接關(guān)系〈C，C’ p> ；
[0035]4)若不存在，則在AL中創(chuàng)建新的鏈接關(guān)系〈C，C’ p>,并設(shè)置權(quán)重ω (C，C’ ρ)為I ;否則將權(quán)重ω (C，C’p)增加I。
[0036]本發(fā)明使用了鄰接表方法挖掘出基于移動對象數(shù)據(jù)流的滾雪球模式的突發(fā)事件，它不僅能有效地檢測當(dāng)前移動對象中的異常行為，而且能高效地提供實(shí)時(shí)監(jiān)測。與現(xiàn)有的移動對象行為模式聚類方法無法檢測當(dāng)前移動對象中的異常行為相比，本發(fā)明具有如下優(yōu)勢:
[0037](I)本發(fā)明采用鄰接表存儲聚類之間的關(guān)聯(lián)關(guān)系，將移動對象聚類過程和雪球模式挖掘過程聯(lián)系起來，使得雪球模式的挖掘可以直接從鄰接表中搜索得到，不再需要額外計(jì)算開銷，從而降低了計(jì)算代價(jià)，提高了效率。如圖4 (a) -4 (b)所示，圖4(a)，4(b)分別是算法執(zhí)行時(shí)間與速度閾值和比例閾值的關(guān)系圖，其中縱坐標(biāo)runtime表示執(zhí)行時(shí)間，橫坐標(biāo)S⑨㈦表示速度閾值，60表示比例閾值。本發(fā)明中基于鄰接表的挖掘算法相較于未采用鄰接表的算法時(shí)間效率提高了 35%。
[0038](2)本發(fā)明所挖掘的雪球模式避免了冗余的模式挖掘，挖掘出當(dāng)前時(shí)刻最長的雪球模式，提高了挖掘結(jié)果的有效性。
[0039]綜合以上分析，本發(fā)明可以保證突發(fā)事件檢測的高效性、高準(zhǔn)確性和實(shí)時(shí)性。該發(fā)明的最終結(jié)果可以提供給相關(guān)的用戶使用，例如應(yīng)急管理中心、交通控制中心、珍惜動物管理保護(hù)中心等，可以支持對移動對象群體行為的異常檢測，實(shí)現(xiàn)對突發(fā)異常事件的及時(shí)響應(yīng)及處理，最大限度地降低突發(fā)事件的災(zāi)難性后果。
【專利附圖】

【附圖說明】
[0040]圖1是距離可達(dá)近鄰的示意圖。
[0041]圖2聚類中雪球模式的示意圖。
[0042]圖3 Ca)是圖2中的聚類及其之間的關(guān)系轉(zhuǎn)化的有向圖，圖3 (b)是相應(yīng)的鄰接表。
[0043]圖4 Ca)是算法的執(zhí)行時(shí)間與速度閾值的關(guān)系圖，圖4 (b)是算法執(zhí)行時(shí)間與比例閾值的關(guān)系圖。
[0044]圖5是本發(fā)明雪球模式挖掘的流程圖。
【具體實(shí)施方式】
[0045]下面結(jié)合附圖，通過實(shí)例進(jìn)一步說明本發(fā)明，但不以任何方式限制本發(fā)明的范圍。
[0046]本發(fā)明的原理是:
[0047]首先需要在每個(gè)采樣時(shí)刻挖掘出所有移動對象聚類，在本發(fā)明中移動對象聚類是由一組密集的移動對象組成的任意形狀的移動對象集合C，其中C中的任意兩個(gè)移動對象P、q之間都滿足距離可達(dá)關(guān)系，即P，q之間存在一串移動對象Q，Q中任意相鄰的兩個(gè)移動對象Oi和oi+1之間滿足:
[0048](I)Oi距離可達(dá)近鄰內(nèi)的移動對象密度大于給定密度閾值μ ；
[0049]( 2 ) oi+1在Oi的距離可達(dá)近鄰內(nèi)。[0050]移動對象ρ的距離可達(dá)近鄰是一個(gè)移動對象集合N，其中N內(nèi)的任意移動對象q與P之間的距離在時(shí)間窗h內(nèi)都小于給定距離閾值ε。如圖1所示，假設(shè)時(shí)間窗h等于3，移動對象O3在〖3時(shí)刻的距離可達(dá)近鄰是{o2，o4}，即采樣時(shí)間[ti，t3]內(nèi)03與02，04的距離都小于ε。
[0051]其次根據(jù)所有挖掘出的移動對象聚類，找出所有持續(xù)急劇增大或縮小的移動對象群體異常行為。雪球模式S是由一系列有序的聚類IC1,C2，…，CJ組成，其中Ci是采樣時(shí)刻ti的移動對象聚類(其中1≤i ≤ n)，并且S滿足:
[0052](1)雪球模式的持續(xù)時(shí)間大于給定時(shí)間閾值δ t ；
[0053](2)S中任意相鄰的兩個(gè)聚類Ci和Ci+1之間滿足關(guān)聯(lián)關(guān)系，即滿足增大(或縮小)t匕例大于給定比例閾值δ θ以及增大(或縮小)速度大于給定速度閾值Sspeed。增大(或縮小)比例的表示方法為:ICi n ci+11/1Ci (或Ici n ci+1 |/|ci+11) ;±曾大(或縮小)速度的表示方法為:(|ci+1| — IciIVIciI (或(IciI — IcwIVIciIX如圖2所示，移動對象不斷聚集，且呈現(xiàn)急劇增大的變化趨勢。假設(shè)時(shí)間閾值\等于4，速度閾值Sspeed等于0.3，比例閾值s e等于0.5，則<C12，C23, C31, C41>是一個(gè)滿足條件的雪球模式。
[0054]在創(chuàng)建鄰接表的過程中，將聚類及其之間的關(guān)系轉(zhuǎn)換為有向圖，，其中每個(gè)聚類轉(zhuǎn)換為有向圖中的頂點(diǎn)；聚類之間的關(guān)聯(lián)關(guān)系轉(zhuǎn)化為有向圖中的邊；有關(guān)聯(lián)關(guān)系的聚類之間相交的移動對象個(gè)數(shù)映射為有向圖中的邊權(quán)重，最后用鄰接表表不有向圖。為了表不移動對象聚類之間的關(guān)聯(lián)關(guān)系，本發(fā)明采用加權(quán)有向圖G表示聚類及其之間的關(guān)系，并用鄰接表來描述G。G包含了聚類的信息V、聚類之間的關(guān)聯(lián)關(guān)系E和關(guān)聯(lián)關(guān)系的加權(quán)值W，即(V, E, W)。其中每個(gè)聚類信息即某個(gè)時(shí)刻的移動對象聚類Ci ;每對關(guān)聯(lián)關(guān)系〈C” Cj)即兩個(gè)聚類Ci和Cj之間滿足關(guān)聯(lián)關(guān)系；每對關(guān)聯(lián)關(guān)系〈C” Cj)的加權(quán)值即Ci和Cj之間相交的移動對象個(gè)數(shù)。如圖3 Ca) 一圖3 (b)所示，將圖2中的聚類及其之間的關(guān)系轉(zhuǎn)化為圖3 (a)中的有向圖及圖3 (b)相應(yīng)的鄰接表。
[0055]滾雪球模式的具體挖掘過程包括:
[0056]第一步:每一個(gè)采樣時(shí)刻，對當(dāng)前采集和存儲的移動對象時(shí)空數(shù)據(jù)流，通過基于密度的聚類算法，實(shí)時(shí)地獲得移動對象聚類，并保存各個(gè)采樣時(shí)刻移動對象聚類之間的關(guān)聯(lián)關(guān)系，具體方法如下:
[0057]1.訪問當(dāng)前未被訪問過的移動對象O，并擴(kuò)展新的聚類及更新聚類之間的鄰接表，具體擴(kuò)展及更新方法如下:
[0058]⑴標(biāo)記當(dāng)前移動對象O為已訪問，并且根據(jù)距離閾值ε、時(shí)間窗閾值h、及移動對象的位置信息找出ο的距離可達(dá)近鄰N。
[0059]⑵若ο的距離可達(dá)近鄰N的移動對象個(gè)數(shù)小于給定密度閾值μ，則標(biāo)記O為噪聲點(diǎn)。
[0060]⑶否則，創(chuàng)建新的聚類C，擴(kuò)展聚類C并更新鄰接表AL，具體方法如下:
[0061]①將移動對象O添加至聚類C中，檢索上一個(gè)采樣時(shí)刻O所屬的聚類C?！卩徑颖鞟L中創(chuàng)建一條從C指向C。’的鏈接關(guān)系〈C，C。’ >，并設(shè)置權(quán)重w(C，C?！?為1。此處創(chuàng)建C與C。’之間的鏈接關(guān)系，每新創(chuàng)建一個(gè)聚類C，就創(chuàng)建C與前面時(shí)刻聚類之間的鏈接關(guān)系。搜索雪球模式時(shí)，根據(jù)鏈接關(guān)系往前搜索。
[0062]②訪問距離可達(dá)近鄰N內(nèi)的移動對象ρ，判斷ρ是否能添加至聚類C中，并更新對應(yīng)的鄰接表AL，具體方法如下:
[0063]?若ρ未被訪問過，則標(biāo)記ρ為已訪問，并且根據(jù)距離閾值ε、時(shí)間窗閾值h、及移動對象的位置信息找出P的距離可達(dá)近鄰Np。若Np內(nèi)的移動對象個(gè)數(shù)大于給定密度閾值μ，則將Np合并至N內(nèi)。
[0064].若ρ不屬于任何聚類，則將ρ添加至聚類C中，檢索上一個(gè)采樣時(shí)刻P所屬的聚類Cp’，查找鄰接表AL中是否存在鏈接關(guān)系〈C，Cp’ >。若不存在，則在AL中創(chuàng)建新的鏈接關(guān)系〈C，C/ >，并設(shè)置權(quán)重w(C，Cp’)為I ;否則將權(quán)重w(C，C/ )增加I。
[0065]2.掃描聚類C的鄰接表中所有的鏈接關(guān)系〈C，C’〉，刪除鄰接表中不滿足關(guān)聯(lián)關(guān)系的鏈接，具體剪枝方法如下:
[0066]⑴判斷聚類增大(或縮小)比例是否大于給定比例閾值δ 0，即Ic n c’ |/|c’ I (或c n c’ |/|c|)是否大于δ 0，δ 0的值根據(jù)應(yīng)用場景不同可選擇不同的值。例如，在研究水牛群體的遷徙行為中，δ θ的取值范圍可以選擇(0.5,0.9);在監(jiān)測交通狀況變化趨勢時(shí)，δ θ的取值范圍可以選擇(0.75，0.95)。⑵判斷聚類增大(或縮小)速度是否大于給定速度閾值 Sspeed，即(|c| - |c’ |)/|c’ I (或(1C，1- |c|)/|c’ I)是否大于 Sspeed, SspeeJA值根據(jù)應(yīng)用場景不同可選擇不同的值。例如，在研究水牛群體的遷徙行為中，sspMd的取值范圍可以選擇(0.5，0.6);在監(jiān)測交通狀況變化趨勢時(shí)，Sspeed的取值范圍可以選擇(0.1，0.5)。
[0067]⑶若上述判斷都滿足，則保留鏈接關(guān)系〈C，C’ > ;否則，刪除鏈接關(guān)系〈C，C’ >。
[0068]第二步:根據(jù)第一步中更新的鄰接表，從當(dāng)前時(shí)刻的聚類C開始，沿著聚類C的鄰接表的鏈接關(guān)系往前面的時(shí)刻搜索，直至不存在鏈接關(guān)系為止，找出所有持續(xù)時(shí)間大于時(shí)間閾值\的雪球模式的異常行為，得到當(dāng)前時(shí)刻最長的雪球模式。
[0069]當(dāng)前場景如圖2所示，服務(wù)器端收集了 h至t4四個(gè)時(shí)刻的移動對象及其位置信息，假設(shè)當(dāng)前時(shí)刻是t4時(shí)刻，根據(jù)圖5所示的流程進(jìn)行如下具體操作:
[0070]1.利用時(shí)間窗找出位置關(guān)系更緊密的距離可達(dá)近鄰，即動態(tài)可達(dá)近鄰，再采樣基于密度的聚類方法，挖掘出當(dāng)前時(shí)刻所有的移動對象聚類，具體方法如下:根據(jù)距離閾值ε、時(shí)間窗閾值h、密度閾值ρ及移動對象的位置信息找出t4時(shí)刻的所有移動對象聚類。
[0071]例如:當(dāng)前時(shí)刻t4的移動對象聚類包括C41= 11, ο2，".，ο13}，而其前面時(shí)刻的移動對象聚類分別是:t3時(shí)刻的移動對象聚類包括C31=11, O2,…，O71、C32=18, O9,…，O13I ；t2時(shí)刻的移動對象來.類包括。21_ O21、C22_ {。3，O4, Og, Og}、C23_ {θ6, O7, Og, Ο10}、C24_{On，O12) 013};tl 時(shí)刻的移動對象聚類包括 C11=13, o4, O81、C12=17, O91、C13=111, O12I。
[0072]2.創(chuàng)建并擴(kuò)展當(dāng)前時(shí)刻t4的移動對象聚類的同時(shí)，創(chuàng)建新聚類的鄰接表，并更新聚類之間關(guān)聯(lián)關(guān)系的權(quán)重值。
[0073]例如:當(dāng)前時(shí)刻新創(chuàng)建的聚類C41的鄰接表如圖3(b)所示，創(chuàng)建C41的鄰接表及其鏈接關(guān)系:〈c41，C31> 及 W(C41，C31) =7 ；<C41, C32> 及 W(C41，C32) =6。
[0074]3.刪除新創(chuàng)建的鄰接表中不滿足關(guān)聯(lián)關(guān)系的鏈接關(guān)系。
[0075]例如:假設(shè)比例閾值δ 0為0.5，速度閾值δ speed為0.3。則鏈接關(guān)系<C41，C31>和〈C41, C32>都滿足關(guān)聯(lián)關(guān)系。
[0076]4.搜索當(dāng)前時(shí)刻t4的鄰接表，根據(jù)鄰接表的鏈接關(guān)系，往前搜索鄰接表，直至沒有鏈接關(guān)系為止，找出t4時(shí)刻所有滿足要求的雪球模式。[0077]例如:假設(shè)時(shí)間閾值δ t為4，搜索路徑如表1所示根據(jù)鄰接表找出雪球模式的搜索路徑，從當(dāng)前時(shí)刻的C41的鄰接表開始搜索，沿著鄰接表的鏈接關(guān)系依次找到<c41，c31>和<C41，C32> ;再根據(jù)C31與C32的鄰接表的鏈接關(guān)系依次往前搜索，直至沒有鏈接關(guān)系為止。可以看出，滿足時(shí)間閾值的雪球模式共有4個(gè)，分別是:<C41, C31, C22, Cn>、<C41, C31, C23, C12>、〈C41, C32, C23, C12〉和〈C41, C32, C24, C13〉。
[0078]表1
[0079]
【權(quán)利要求】
1.一種基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其步驟包括: 1)對移動對象時(shí)空數(shù)據(jù)流進(jìn)行采集，存儲移動對象的位置信息(t，1n,lat)，其中t表示采樣時(shí)刻，1n和Iat分別是在采樣時(shí)刻t時(shí)所述移動對象所在的經(jīng)緯度； 2)以每個(gè)采樣時(shí)刻為單位，挖掘當(dāng)前時(shí)刻t的所有移動對象聚類，根據(jù)所述移動對象聚類得到一鄰接表，同時(shí)更新該鄰接表中的聚類間關(guān)聯(lián)關(guān)系； 3)根據(jù)所述鄰接表中的鏈接關(guān)系在不大于t時(shí)刻內(nèi)向前面的采樣時(shí)刻搜索，建立滾雪球模式并挖掘出所有雪球模式的異常行為； 4)根據(jù)所述雪球模式的異常行為檢測出突發(fā)事件。
2.如權(quán)利要求1所述的基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其特征在于，所述雪球模式的異常行為是指找出所述移動對象時(shí)空數(shù)據(jù)流中持續(xù)急劇增大或縮小的移動對象群體異常行為。
3.如權(quán)利要求1所述的基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其特征在于，所述雪球模式S是由一系列有序的聚類IC1, C2,…，CJ組成，其中設(shè)Ci是采樣時(shí)刻ti的移動對象聚類(其中I≤i≤n)，并且S滿足: (O雪球模式的持續(xù)時(shí)間大于給定時(shí)間閾值5 t ； (2)S中任意相鄰的兩個(gè)聚類Ci和Ci+1之間滿足關(guān)聯(lián)關(guān)系:增大或縮小比例大于給定比例閾值δ θ ;增大或縮小速度大于給定速度閾值Sspeedo
4.如權(quán)利要求1所述的基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其特征在于，根據(jù)所述移動對象聚類得到一鄰接表的方法如下:
1)在創(chuàng)建鄰接表的過 程中，將聚類及其之間的關(guān)系轉(zhuǎn)換為有向圖； 2)將每個(gè)聚類轉(zhuǎn)換為有向圖中的頂點(diǎn)，聚類之間的關(guān)聯(lián)關(guān)系轉(zhuǎn)化為有向圖中的邊，有關(guān)聯(lián)關(guān)系的聚類之間相交的移動對象個(gè)數(shù)映射為有向圖中的邊權(quán)重；得到加權(quán)有向圖G ； 3)采用鄰接表表示所述有向圖G。
5.如權(quán)利要求1或3所述的基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其特征在于，所述移動對象聚類是由一組密集的移動對象組成的任意形狀的移動對象集合C，其中C中的任意兩個(gè)移動對象P、q之間都滿足距離可達(dá)關(guān)系，即P，q之間存在一串移動對象Q，Q中任意相鄰的兩個(gè)移動對象Oi和0i+1之間滿足: 1)OJg離可達(dá)近鄰內(nèi)的移動對象密度大于給定密度閾值μ ； 2)01+1在(^的距離可達(dá)近鄰內(nèi)； 所述移動對象P的距離可達(dá)近鄰是一個(gè)移動對象集合N，其中N內(nèi)的任意移動對象q與P之間的距離在時(shí)間窗h內(nèi)都小于給定距離閾值ε。
6.如權(quán)利要求1或3所述的基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其特征在于，所述滾雪球模式的方法如下: 1)訪問當(dāng)前未被訪問過的移動對象O，并標(biāo)記0為已訪問，并且根據(jù)距離閾值ε、時(shí)間窗閾值h、及所述移動對象的位置信息找出ο的距離可達(dá)近鄰N ； 2)若ο的距離可達(dá)近鄰N的移動對象個(gè)數(shù)小于給定密度閾值μ，則標(biāo)記ο為噪聲點(diǎn)；若大于給定密度閾值μ，則創(chuàng)建新的聚類C，擴(kuò)展聚類C并更新鄰接表AL ； 3)掃描聚類C的鄰接表中所有的鏈接關(guān)系，刪除鄰接表中不滿足關(guān)聯(lián)關(guān)系的鏈接，得到更新的鄰接表AL ；4)根據(jù)更新的鄰接表AL，從當(dāng)前時(shí)刻的聚類C開始，沿著聚類C的鄰接表的鏈接關(guān)系往前面的時(shí)刻搜索，直至不存在鏈接關(guān)系為止，找出所有持續(xù)時(shí)間大于時(shí)間閾值\的雪球模式的異常行為，得到當(dāng)前時(shí)刻最長的雪球模式。
7.如權(quán)利要求6所述的基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其特征在于，所述步驟3)中采用剪枝算法刪除鄰接表中不滿足關(guān)聯(lián)關(guān)系的鏈接。
8.如權(quán)利要求6所述的基于移動對象數(shù)據(jù)流的突發(fā)事件檢測方法，其特征在于，所述更新鄰接表AL的方法如下: 1)將移動對象ο添加至聚類C中，檢索上一個(gè)采樣時(shí)刻ο所屬的聚類C’。，在鄰接表AL中創(chuàng)建一條從C指向C’。的鏈接關(guān)系〈C，C’。>，并設(shè)置權(quán)重ω (C，C’。)為I ; 2)訪問距離可達(dá)近鄰N內(nèi)的移動對象ρ，若P未被訪問過，則標(biāo)記P為已訪問，并且根據(jù)距離閾值ε、時(shí)間窗閾值h、及移動對象的位置信息找出ρ的距離可達(dá)近鄰Np ;若％內(nèi)的移動對象個(gè)數(shù)大于給定密度閾值μ，則將Np合并至N內(nèi)； 3)若ρ不屬于任何聚類，則將P添加至聚類C中，檢索上一個(gè)采樣時(shí)刻ρ所屬的聚類C’ ρ，查找鄰接表AL中是否存在鏈接關(guān)系〈C，C’ ρ> ； 4)若不存在，則在AL中創(chuàng)建新的鏈接關(guān)系〈C，C’ρ>，并設(shè)置權(quán)重ω (C，C’ ρ)為I ;否則將權(quán)重ω (C，C’p)增加I。
【文檔編號】G06F17/30GK103631917SQ201310631243
【公開日】2014年3月12日 申請日期:2013年11月28日 優(yōu)先權(quán)日:2013年11月28日
【發(fā)明者】郭黎敏, 丁治明 申請人:中國科學(xué)院軟件研究所