社區老年人空間行為軌跡異常分析方法

孟祥澤， 胡嘯峰*， 沈 兵

(1.中國人民公安大學信息網絡安全學院， 北京 100038；2.中國人民公安大學公共安全行為科學實驗室， 北京 100038)

老年人在社區室外行動中面臨突發疾病(如心臟病)、走失(如阿爾茲海默癥患者)等常見風險。調研發現，在大量老年人猝死事故案例中，如果在事故發生后的特定時間內能夠快速發現并及時搶救，可以極大地降低死亡概率。當前，社區視頻監控普遍存在死角，社區網格員及各類管理服務人員數量有限、工作繁重，難以全天候對社區老年人活動進行安全監控與服務，因此，基于定位裝置與軌跡研判的監控方式逐漸受到重視。

目前，中外空間軌跡數據分析研究中，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)，該類算法處理大數據集效果較好，但無法識別球形軌跡，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合以提高聚類準確度；②層次方法，如BIRCH(balanced iterative reducing and clustering using hierarchies)[2]、CURE(clustering using representative)[3]算法，優點在于能夠適應任意形狀的軌跡和不同屬性的數據，但計算時間較長；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]，優點是能夠形成任意形狀的簇，但是需要自定義參數，且最佳參數設定需要多次嘗試；④基于網格的方法[9]，如STING(statistical information grid-based method)[10]、CLIQUE(clustering in QUEst)算法[11]，優點是可以處理任意類型的數據，但聚類效果依賴劃分的網格單元。由于基于密度的算法可以形成任意形狀的簇，并且無需預定義簇的個數，因此在軌跡分析研究中使用的頻率較高。……