一种基于隐马尔科夫模型的出行异常检测方法技术

一种基于隐马尔科夫模型的出行异常检测方法，包括以下步骤：（1）利用北斗或GPS定位设备采集监测数据的数据，包括经度、纬度和日期，并用GPRS模块将这些数据发送到出行行为监测平台；（2）将坐标数据分为工作日数据和节假日数据采用k-medoids算法进行聚类，分别得到两组聚类标志点集合和（3）把工作日和节假日的坐标数据作为两组观测量，采用Baum-Welch算法训练HMM模型，分别得到工作日出行规律模型和节假日出行规律模型；（4）利用出行规律模型，来检测出行行为异常。本发明专利技术精度较高、可靠性良好。

【技术实现步骤摘要】
【专利摘要】，包括以下步骤：（1）利用北斗或GPS定位设备采集监测数据的数据，包括经度、纬度和日期，并用GPRS模块将这些数据发送到出行行为监测平台；（2）将坐标数据分为工作日数据和节假日数据采用k-medoids算法进行聚类，分别得到两组聚类标志点集合和（3）把工作日和节假日的坐标数据作为两组观测量，采用Baum-Welch算法训练HMM模型，分别得到工作日出行规律模型和节假日出行规律模型；（4）利用出行规律模型，来检测出行行为异常。本专利技术精度较高、可靠性良好。【专利说明】—种基于隐马尔科夫模型的出行异常检测方法
本专利技术涉及一种出行异常检测领域，尤其是一种老人或儿童等特殊人群的出行异常检测方法。
技术介绍
全球导航卫星系统(GNSS)包括美国的GPS、俄罗斯的Glonass、欧洲的Galileo和中国的北斗卫星导航系统等，已广泛应用于军事和民用等领域中。在卫星导航系统的应用方面，国内拥有广阔的市场前景，例如利用GPS和GPRS的移动智能车载终端以及基于GPS或北斗导航二次开发的车辆监控与交通诱导系统，这些都广泛应用于公安、医疗、消防、交通、物流等领域，但大部分只是针对车辆导航和定位等基本服务，没有针对人的行为定位检测的方案。老人和儿童等一些特殊人群在无人陪护状态下出行，容易发生迷路、走失、绑架等状况。在实际生活当中，往往是出现了严重的后果，才能被动地去应对该状况。而人的运动具有一定的随机性，因此很难对人的行为进行精确地预测。这就可以借助上述卫星定位技术，并结合出行异常检测算法，在出现出行异常时，及早发出警报通知监护者，并采取相应的措施。【
技术实现思路
】为了克服已有异常检测技术的精度较低、可靠性较差的不足，本专利技术提供了一种精度较高、可靠性良好的基于隐马尔科夫模型的出行异常检测方法。本专利技术解决其技术问题所采用的技术方案是:，所述出行异常检测方法包括以下步骤:(1)利用北斗或GPS定位设备采集监测数据的数据，包括经度、纬度和日期，并用GPRS模块将这些数据发送到出行行为监测平台；(2)将坐标数据分为工作日数据【权利要求】1.，其特征在于:所述出行异常检测方法包括以下步骤: (I)利用北斗或GPS定位设备采集监测数据的数据，包括经度、纬度和日期，并用GPRS模块将这些数据发送到出行行为监测平台； (2 )将坐标数据分为工作曰数据 2.如权利要求1所述的，其特征在于:所述步骤(1)中，当出现信号丢失时，则利用线性插值法填补缺失的坐标点。3.如权利要求1或2所述的，其特征在于:所述步骤(2)中，坐标数据Pi=(Xi，yi)，\为经度，Yi为纬度，将采集的数据分为工作日数据 4.如权利要求3所述的，其特征在于:为了判定一个非代表数据P1是否是当前一个代表数据Pi的好的替代，对于每一个非中心点数据P」要计算代价Cm，下面的四种情况被考虑: 第一、若Pj属于Pi代表的那一类，并且Pj离Pj.2比P1近(Pj.2是距离Pj第二近的中心点)，即d(Pj, P1)≥d(Pj, Pj 2) ；d(pj, P1)为两点之间的曼哈顿距离，d(Pj, P1) = I Xj-X11 +1 Yj-Y11, X为经度，y为纬度；如果Pi被P1替换作为中心点，Pj将被重新分配给Pj.2所代表的类,则代价Cjil=I d(Pj, Pj.2)-d(Pj, Pi) 1； 第二、若P」属于Pi代表的那一类，并且P」离P」』比P1远，即(Up」,P1) <d (Pj, Pj 2);如果Pi被P1替换作为中心点，P」将属于P1所代表的类，则代价Cjil=1d (ρ」，P1) -d (Pj, Pi) 1；第三、若Pj属于Pj.2代表的那一类,并且Pj离Pj.2比口1近，即d(Pj, P1)≥d(pj, Pj 2);如果Pi被P1替换作为中心点，Pj将留在Pp所代表的类，则代价?_η=ο ； 第四、若P」属于ρ」.2代表的那一类，并且P」离P」.2比P1远，即(Up」, p1)<d(pJ, ρ」.2)；如果Pi被P1替换作为中心点，Pj将从P」.2所代表的类中跳入P1所代表的类，则代价CjnslcKpj, pD—cKp」, ρ」.2) I ; P1替代Pi的总代价E为各个非代表数据P」的相应代价Cm之和，如果总代价E减小，则P1是Pi好的替代；对所有n-k个非代表数据P」的代价求和，用P1替换Pi的总代价为: 5.如权利要求1或2所述的，其特征在于:所述步骤(3)中，令模型要训练的观察值序列为工作日数据{p^pt…，Pf }和节假曰数据{ ρ?,ρ|,…M }，对应的隐藏状态序列为聚类标志点集合{ qX,矽,…}和{q\,q2,-.,ql }，采用Baum-Welch算法分别训练HMM模型λ=(Α，Β，π)，Α为转移矩阵，B为混淆矩阵，η为初始概率，得到工作日出行规律模型和节假日出行规律模型，Baum-Welch算法的过程如下: (3.1)假设时间长度为T，t为该时间段内的某一时刻，I≤t≤Τ，计算前向变量at(i)及后向变量β t(i)， a t (i) = Pr (ρ” p2,...，pt, qt = Si | λ )， β t (i) = Pr (pt+1, pt+2,…，pT，qt = Si I λ )， 其中，Si为隐藏状态序列中的某个状态； (3.2)计算在t时刻位于状态Si，而在t+Ι时刻处于状态Sj的概率ξ t(i，j)以及在t时刻处于Si状态的概率Yt(i)， 6.如权利要求1或2所述的，其特征在于:所述步骤(4)中，检测行为异常的过程如下: (4.1)实时接收监测数据数据，用固定长度的队列存放数据，当信号丢失时，采取步骤一所述的线性插值法进行处理； (4.2)根据日期判断是工作日还是节假日，调用相应的出行规律模型λ=(Α，Β，π)，采用前向算法，得出监测数据的轨迹在该HMM下的条件概率； (4.3)以此条件概率的值与阈值进行比较，如果大于阈值则为正常，反之则为异常，并报警。【文档编号】G06F19/00GK103793599SQ201410021376【公开日】2014年5月14日 申请日期:2014年1月17日 优先权日:2014年1月17日 【专利技术者】刘翔, 吴俊宏, 李仁旺, 张标标, 杨彦斌 申请人:浙江远图智控系统有限公司本文档来自技高网...

【技术保护点】
一种基于隐马尔科夫模型的出行异常检测方法，其特征在于：所述出行异常检测方法包括以下步骤：（1）利用北斗或GPS定位设备采集监测数据的数据，包括经度、纬度和日期，并用GPRS模块将这些数据发送到出行行为监测平台；（2）将坐标数据分为工作日数据和节假日数据采用k‑medoids算法进行聚类，分别得到两组聚类标志点集合{q1w,q2w,...,qkw}]]>和{q1h,q2h,...,qkh};]]>（3）把工作日和节假日的坐标数据作为两组观测量，采用Baum‑Welch算法训练HMM模型，分别得到工作日出行规律模型和节假日出行规律模型；（4）利用出行规律模型，来检测出行行为异常。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘翔，吴俊宏，李仁旺，张标标，杨彦斌，
申请(专利权)人：浙江远图智控系统有限公司，
类型：发明
国别省市：浙江;33