社区老年人空间行为轨迹异常分析方法_中国社区医师杂志社投稿_期刊论文发表|版面费|电话|编辑部|论文发表

一、来稿必须是作者独立取得的原创性学术研究成果，来稿的文字复制比（相似度或重复率）必须低于用稿标准，引用部分文字的要在参考文献中注明；署名和作者单位无误，未曾以任何形式用任何文种在国内外公开发表过；未一稿多投。二、来稿除文中特别加以标注和致谢之外，不侵犯任何版权或损害第三方的任何其他权利。如果20天后未收到本刊的录用通知，可自行处理(双方另有约定的除外)。三、来稿经审阅通过，编辑部会将修改意见反馈给您，您应在收到通知7天内提交修改稿。作者享有引用和复制该文的权利及著作权法的其它权利。四、一般来说，4500字（电脑WORD统计，图表另计）以下的文章，不能说清问题，很难保证学术质量，本刊恕不受理。五、论文格式及要素：标题、作者、工作单位全称(院系处室)、摘要、关键词、正文、注释、参考文献(遵从国家标准：GB\T7714-2005，点击查看参考文献格式示例)、作者简介(100字内)、联系方式(通信地址、邮编、电话、电子信箱)。六、处理流程：（1）通过电子邮件将稿件发到我刊唯一投稿信箱（2）我刊初审周期为2－3个工作日，请在投稿3天后查看您的邮箱，收阅我们的审稿回复或用稿通知；若30天内没有收到我们的回复，稿件可自行处理。（3）按用稿通知上的要求办理相关手续后，稿件将进入出版程序。（4）杂志出刊后，我们会按照您提供的地址免费奉寄样刊。七、凡向文教资料杂志社投稿者均被视为接受如下声明：（1）稿件必须是作者本人独立完成的，属原创作品（包括翻译），杜绝抄袭行为，严禁学术腐败现象，严格学术不端检测，如发现系抄袭作品并由此引起的一切责任均由作者本人承担，本刊不承担任何民事连带责任。（2）本刊发表的所有文章，除另有说明外，只代表作者本人的观点，不代表本刊观点。由此引发的任何纠纷和争议本刊不受任何牵连。（3）本刊拥有自主编辑权，但仅限于不违背作者原意的技术性调整。如必须进行重大改动的，编辑部有义务告知作者，或由作者授权编辑修改，或提出意见由作者自己修改。（4）作品在《文教资料》发表后，作者同意其电子版同时发布在文教资料杂志社官方网上。（5）作者同意将其拥有的对其论文的汇编权、翻译权、印刷版和电子版的复制权、网络传播权、发行权等权利在世界范围内无限期转让给《文教资料》杂志社。本刊在与国内外文献数据库或检索系统进行交流合作时，不再征询作者意见，并且不再支付稿酬。九、特别欢迎用电子文档投稿，或邮寄编辑部,勿邮寄私人，以免延误稿件处理时间。

社区老年人空间行为轨迹异常分析方法

作者:

关键词:

摘要：

Meng Xiangze, Hu Xiaofeng, Shen Bing. Abnormal analysis method of old people’s spatial behavior trajectory in community[J]. Science Technology and Engineering, 2021， 21(9)： 3676-3681.

老年人在社区室外行动中面临突发疾病(如心脏病)、走失(如阿尔兹海默症患者)等常见风险。调研发现，在大量老年人猝死事故案例中，如果在事故发生后的特定时间内能够快速发现并及时抢救，可以极大地降低死亡概率。当前，社区视频监控普遍存在死角，社区网格员及各类管理服务人员数量有限、工作繁重，难以全天候对社区老年人活动进行安全监控与服务，因此，基于定位装置与轨迹研判的监控方式逐渐受到重视。

目前，中外空间轨迹数据分析研究中，多采用聚类算法挖掘人员行为模式与轨迹序列特征。常用的轨迹聚类算法主要包括：①划分方法，如K均值聚类算法(K-means clustering algorithm，K-means)、最大期望算法(expectation-maximization，EM)，该类算法处理大数据集效果较好，但无法识别球形轨迹，赵玉明等[1]将基于Kullback-Leibler散度(Kullback-Leibler divergence)的相似性尺度与聚类方法相结合以提高聚类准确度；②层次方法，如BIRCH(balanced iterative reducing and clustering using hierarchies)[2]、CURE(clustering using representative)[3]算法，优点在于能够适应任意形状的轨迹和不同属性的数据，但计算时间较长；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]，优点是能够形成任意形状的簇，但是需要自定义参数，且最佳参数设定需要多次尝试；④基于网格的方法[9]，如STING(statistical information grid-based method)[10]、CLIQUE(clustering in QUEst)算法[11]，优点是可以处理任意类型的数据，但聚类效果依赖划分的网格单元。由于基于密度的算法可以形成任意形状的簇，并且无需预定义簇的个数，因此在轨迹分析研究中使用的频率较高。

轨迹间的距离度量算法同样是轨迹数据分析中的关键技术，目前常用的轨迹间距离算法包括欧氏距离、豪斯多夫(Hausdorff)距离、最长公共子序列(longest-common-subsequence，LCSS)[12]、分段路径对应距离(symmetric segment path distance，SSPD)等算法。魏龙翔[13]提出了集合Hausdorff距离与LCSS距离的算法。动态时间规整算法(dynamic time warping，DTW)[14-15]适合利用不同采样率和规模的数据进行轨迹间距计算。

目前的异常轨迹检测算法普遍将聚类算法与距离度量算法结合运用，来检验离群轨迹。如异常轨迹检测算法(trajectory outlier detection，TAROD)[16-17]先将轨迹进行分段，然后综合利用基于距离和基于密度的聚类算法检测离群轨迹。基于时间的路网中热门路线的异常检测(time-dependent popular routes based trajectory outlier detection，TPRO)算法[18]提出了一种基于时间的距离度量，并同时考虑了时间和空间的异常。胡瑗等[19]对轨迹进行分段，然后使用主题模型线性判别分析(linear discriminant analysis，LDA)进行局部聚类，最后建立隐马尔可夫模型进行异常轨迹识别。何明等[20]结合DTW和Hausdorff距离两种度量算法，并定义了3种不同的异常模式对异常轨迹进行识别。逄焕利等[21]结合基于轨迹分离的异常轨迹算法(isolation-based anomalous trajectory，IBAT)和DTW算法检测异常轨迹。李旭东等[22]改进了SSPD方法并结合密度峰值聚类算法识别轨迹。胡园等[23]提出了一种基于密度的(radius density-based spatial clustering of applications with noise，RDBSCAN)聚类方法，并结合轨迹密度异常和长度异常识别异常轨迹。考虑到ST-DBSCAN算法[24]与DTW算法可同时兼顾空间与时间信息，使得模型能从时间与空间尺度上综合检测异常轨迹。王雷等[25]通过计算出租车的流量变化来识别交通的异常状况。现拟结合ST-DBSCAN聚类算法和DTW算法来识别异常轨迹。因为老年人行为轨迹存在一定的随机性，某些离群轨迹不一定等同于异常轨迹。而目前大部分异常轨迹识别研究中，大多将离群轨迹等同于异常轨迹。这与实际情况往往存在一定的差异。为描述行人的具体行为，需要从轨迹数据中提取出行为链，如崔洪军等[26]通过建立出行乘客的行为链来描述乘客行为，并使用马尔科夫链模型预测乘客行为。

针对上述问题，首先利用ST-DBSCAN算法和DTW算法分辨老年人的离群轨迹。其次，针对所定义的老年人在社区室外场景下的两种异常轨迹模式：出行轨迹偏离日常轨迹和出行时异常停止或速度异常，识别老年人异常轨迹。再次，结合老年人的背景信息、气象信息进行安全风险分析。最后，结合老年人出行轨迹异常模式、老年人背景信息、气象信息，建立社区老年人异常行为轨迹风险分析模型。