面向公共安全的时空数据挖掘综述

随着各种手持无线设备及传感器的普及,大量的具有时间和空间属性的轨迹数据在不间断地产生。这些不同来源的轨迹数据记录了个体在时间和空间上的活动,从微观和宏观揭示出个人和团体的活动规律,对研究人群行为及城市管理,特别是城市公共安全管理方面,具有重要的意义。以公共安全管理为主要目标,分4个方面调研了相关的研究工作,并分别给出了笔者的研究进展。使用了2类比较有代表性的数据,第1类是智能手机的时间、空间轨迹数据;第2类是城市公共交通卡的换乘数据。第1类是从"点"上分析挖掘个体或者群体的活动规律,而第2类数据则是从"线"上发现人群的聚散规律。基于第1类数据,针对"个体的发现"介绍了相关工作;对于第2类数据,分别从短时和突发2个方面,发现具有潜在危害性的事件,从而向有关部门提供预测和预警,防范该区域可能出现的公共安全事件。比较了各类模型包括经典的时序数学模型ARIMA(autoregressive integrated moving average model)和SARIMA(seasonal autoregressive integrated moving average)、机器学习和神经网络模型SVR(support vector re-gression)、NN(neural networks)、和LSTM(long short-term memorg),发现笔者的模型在短时客流预测方面可以最多提高27.78%,突发客流预测精度可以最高提高到14.68倍。