[发明专利]基于模糊聚类算法的群体异常行为检测方法及装置

说明书

本发明提出了一种基于模糊聚类算法的群体异常行为检测方法及装置，方法包括：基于总群体中所有目标的历史行为数据，将总群体分类成多个子群体；基于目标的历史行为数据，计算子群体的子群异常因子以及总群体的总群异常因子；通过比较子群异常因子与第一阈值的关系以及总群异常因子与第二阈值的关系，判断群体是否存在异常行为。根据本发明的检测方法，根据目标的历史行为数据，将总群体分类成多个子群体，并计算子群异常因子和总群异常因子，通过比较子群异常因子与第一阈值的关系、以及总群异常因子与第二阈值的关系，对群体的异常行为进行判断。由此，有效提高了群体常行为度量和异常目标挖掘的准确性。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于模糊聚类算法的群体异常行为检测方法及装置。

背景技术

一些特殊的自然和社会事件可能会对群体行为产生重大影响。“群体异常行为”通常是指多个移动目标的行为(如出行等)轨迹与历史行为模式不匹配的现象(例如非法集会、团伙犯罪等)。从数据挖掘的角度分析群体行为的模式非常重要，因为在线检测人们的集体行为的异常模式可能会导致对突发事件的快速响应，例如，对交通事故做出快速响应的前提是实时检测异常。目前，缺乏准确判断群体异常行为的检测方法。

发明内容

本发明要解决的技术问题是提高群体异常行为检测的准确性，本发明提出了一种基于模糊聚类算法的群体异常行为检测方法及装置。

根据本发明实施例的基于模糊聚类算法的群体异常行为检测方法，包括：

基于总群体中所有目标的历史行为数据，将所述总群体分类成多个子群体；

基于所述目标的历史行为数据，计算所述子群体的子群异常因子以及所述总群体的总群异常因子；

通过比较所述子群异常因子与第一阈值的关系以及所述总群异常因子与第二阈值的关系，判断所述群体是否存在异常行为。

根据本发明实施例的基于模糊聚类算法的群体异常行为检测方法，根据目标的历史行为数据，将总群体分类成多个子群体，并计算子群异常因子和总群异常因子，通过比较子群异常因子与第一阈值的关系、以及总群异常因子与第二阈值的关系，对群体的异常行为进行判断。由此，通过结合用户历史行为模式和其他用户在历史异常点处的行为，增加了群体异常行为检测中的判断维度，有效提高了群体常行为度量和异常目标挖掘的准确性。

根据本发明的一些实施例，将所述总群体分类成多个所述子群体的方法包括：

基于所有目标的历史行为数据，生成每个目标的行为向量；

基于每个所述目标的行为向量，采用模糊C均值聚类算法将所述总群体分类成多个所述子群体。

在本发明的一些实施例中，计算所述子群体的异常因子以及所述总群体的总群异常因子，包括：

基于每个所述目标的所述行为向量，计算所述总群体的总平均行为向量；

基于每个所述子群体所包含的所述目标的所述行为向量，计算所述子群体的子平均行为向量；

基于所述总平均行为向量和所述子平均行为向量计算所述子群体异常因子；

基于所有所述子群体的所述子群体异常因子计算所述总群异常因子。

根据本发明的一些实施例，当所述子群异常因子大于所述第一阈值时，则判定所述子群存在异常行为；

当所述总群异常因子大于所述第二阈值时，则判定所述总群体存在异常行为。

在本发明的一些实施例中，当判定所述子群存在异常行为时，将所述子群中的所有目标归类至异常用户集中。

根据本发明实施例的基于模糊聚类算法的群体异常行为检测装置，包括：