[发明专利]基于动态图元的小簇人群识别方法

说明书

本发明提供一种基于动态图元的小簇人群识别方法，包括如下步骤：S1)提取轨迹；S2)基于动态图元的场景建模；S3)基于卷积神经网络的人群分类。本发明的优点为：通过提取行人的轨迹图的语义信息，让后续的神经网络捕捉到更好的特征信息从而完成分类，该模型在准确率与召回率指标上同传统的机器学习方法相比效果提升明显。

技术领域

本发明涉及数据分析技术领域，具体涉及基于动态图元的小簇人群识别方法。

背景技术

随着移动互联网、物联网、摄像头、社交网络、城市感知网络等技术的发展和普及，公共场所下用户的行为被有效记录了下来，且这类时空信息包含了用户出行轨迹、出行意图等丰富特征。这些海量的时空信息不但能刻画人们的移动模式，也成为公共安全预警的重要部分。社会中存在很多种类的小簇人群，例如小偷、乞丐、无业人员等，这些人员的行为特征和普通居民有所不同，因此有通过分析时空数据进行侦测的可能。

目前，关于行人时空轨迹数据的研究大多采用基于时间点与活动块的方法。该方法具有以下缺陷：其一，行人活动的不确定性以及人群居住地的差异等因素造成了其研究方法适用性较差的缺点；其二，轨迹甄别的对象人数很少，导致分类模型的正样本案例很小，样本极度不平衡；其三，大数据分析技术与统计分析的方法仅仅从数据的层面进行分析，尽管可以通过从用户的轨迹中提取一些特征，如人群的轨迹长度、轨迹模式、速率等，但是这些特征依旧不足以表征行人的活动语义特征。

发明内容

本发明的目的是提供一种运用动态图元模型构建场景并通过深度学习的方法处理时空数据从而攻克小簇人群的用户识别的方法。

为了达到上述目的，本发明通过以下技术方案来实现：

基于动态图元的小簇人群识别方法，包括如下步骤：

S1)提取轨迹

检测时空数据点，形成每个人的轨迹信息；

S2)基于动态图元的场景建模

将人群的轨迹信息构建成一个网络图其中，V为轨迹中的点，E为点之间的路径；

在预先制定好的关键点K上向外扩展多个层次，将每层网络的点集与边集信息存入图中，其中V^c是c-步层中的点，E^c∈|V^c×V^c|；

对构造好的图进行子图划分，将切分成一组子图g，将能突出代表场景的表征构建为点向量集合和相应的图元子图；

S3)基于卷积神经网络的人群分类

将S2)中的点向量集合和相应的图元子图输入到带有卷积核的卷积神经网络，该卷积核作用于轨迹短片段以生成新的特征，通过公式在特征图上使用max-pooling函数来提取最大值作为选定的特征；其中，为轨迹短片段，为偏置项，f为非线性函数ReLu；

利用具有dropout和softmax输出的全连接层识别人群并对人群进行分类。

进一步地，在步骤S2)中，子图划分采用社区分割算法，公式如下：

其中，n为节点数，m为边数，节点v的度表示为kv,节点w的度表示为kw，A为网络的邻接矩阵，表示在同一社区内的边数占所有边数的比例。

本发明与现有技术相比，具有以下优点：

本发明基于动态图元的小簇人群识别方法，在实际场景下运用动态图元模型构建场景，并通过深度学习的方法处理时空数据从而攻克小簇人群的用户识别问题；通过提取行人的轨迹图的语义信息，让后续的神经网络捕捉到更好的特征信息从而完成分类，该模型在准确率与召回率指标上同传统的机器学习方法相比效果提升明显。

附图说明