面向安防系统的高效用语义轨迹模式挖掘

在安防系统中,将大量目标轨迹先转化为语义轨迹后再进行频繁模式挖掘,有助于分析目标行为模式、识别危险源及增强安防系统内部防控。针对现有频繁模式挖掘方法未考虑目标停留点的效用差异问题,提出一种高效用语义轨迹模式挖掘算法。综合停留点兴趣度、目标停留时间以及目标语义轨迹支持度这3个参数定义语义轨迹效用值,采用蚁群算法挖掘高效用语义轨迹模式。利用精英蚂蚁策略改进蚂蚁种群的迭代方式,通过轮盘赌选择法优化蚂蚁对于下一个节点的选择策略,运用无效用编码向量剪枝策略提高算法执行效率。在Chess、Mushroom、Foodmart、Retail等4个公开数据集以及某安防系统的RFID定位数据集上的实验结果表明,相比于HUIM-ACS算法,该算法挖掘的高效用语义轨迹模式数量增加了10%~15%,运行时间减少了7%~12%。

基于语义轨迹的视频事件探测

视频事件探测是视频内容自动理解领域的一个重要研究问题.在视频事件探测中,感兴趣对象的运动轨迹常被作为视频中探测事件的一种重要依据.目前基于轨迹的事件探测方法主要集中于根据轨迹几何特征进行视频事件探测,而忽略了与轨迹相关的语义信息.然而我们知道,轨迹的产生往往受到一些与轨迹相关联的语义信息的影响,如轨迹产生时的地理信息等.将轨迹相关联的语义信息整合到轨迹中可以使我们了解更多关于轨迹的信息.语义轨迹为我们提供了一个将语义信息与轨迹信息有效整合的方法.该文将语义轨迹应用到视频事件探测领域,提出了一个基于语义轨迹的视频事件探测方法.该方法将视频中抽取的感兴趣对象的原始轨迹转化为语义轨迹,并根据语义轨迹探测可能的视频事件.同时该方法还提供了一个描述语义轨迹特征以及对语义轨迹与轨迹特征进行匹配的方法.最后我们通过实验分析验证了基于语义轨迹的视频事件探测方法的有效性.

挖掘语义轨迹频繁模式及拼车应用研究

现有各种轨迹分析主要利用聚类方法从多用户轨迹中挖掘公共停留点、计算用户相似度以发现热点、提取近似人群的公共属性,对同一用户计算相似度也无商业价值,因此很少对单用户轨迹分析展开研究。提出了基于地点语义的个体用户轨迹频繁模式挖掘方法。先逆地理编码求得语义轨迹并进行预处理从而求取Top-k候选频繁地点项集,进而采用时空序列求交集和分治归并方法,将长项集的频繁迭代计算转化为分层集合正则运算,从而求出频繁序列超集和子集。这种语义轨迹频繁模式挖掘能主动识别和发掘潜在的拼车需求,为共享拼车、HOV车道出行等基于位置的智能推荐提供更高的精准度。仿真拼车实验结果证明了该方法的适用性和高效性。

基于语义轨迹模型的态势评估方法研究

将语义轨迹模型引入态势估计领域。概念方面,通过对原始轨迹进行主体转换,标注隐含语义,建立语义轨迹模型。与点累积模型相比,该模型更有利于表达与分析轨迹所隐含信息。算法方面,基于飞行角度变化、窗口内高度变化趋势等原则提出了盘旋、上升/下降等空中目标典型机动行为标注方法。可视化方面,基于语义轨迹尺度概念,以时间为横轴、语义为纵轴,以尺度粒度为坐标最小刻度单元,尺度广度作为坐标范围,建立语义轨迹多尺度表达。该表达方式符合层次化认知规律。最后,指出相关成果可在日报生成、关注目标历史活动规律挖掘等任务中应用。

基于自注意力机制的多模态语义轨迹预测

随着社交媒体的快速发展,多模态语义轨迹的预测成为新的挑战。轨迹点间的依赖关系在预测中起到重要作用,同时也存在着以下挑战:轨迹信息中包含多种模态信息(时间、兴趣点和活动文本等),存在时间、空间和活动意图等多种依赖,这些依赖关系很复杂,现有方法很难量化这些复杂依赖关系。为了解决以上问题,提出一种基于自注意力机制的多模态语义轨迹预测模型SAMSTP。SAMSTP先对多模态特征进行联合嵌入,再设计自注意力机制结合Position Encoding计算轨迹点之间的特征相似度,自动学习并量化复杂依赖权重,同时解决轨迹的长期依赖关系。最后,采用LSTM网络处理轨迹时序关系,并设计模式规范化机制解决依赖关系失真问题,加快模型收敛速度。在真实数据集上的实验结果表明,SAMSTP是有效的,并且优于现有最新方法。

基于概率语义轨迹的RFID目标对象兴趣点发现

本文针对RFID天线信号无法覆盖区域内对象目标轨迹数据不完整的问题,提出了一种基于概率语义轨迹的概率目标对象兴趣点发现(估计)方法。本研究的目的是建立完整的目标对象RFID轨迹描述,基于"概率语义轨迹"概念和粒子滤波技术所产生的数据,发现RFID天线信号无法覆盖区域的目标对象兴趣点分布。本文给出的目标对象兴趣点发现方法同时考虑了对象的概率分布和持续时间两个因素。最后对提出的方法进行了数值实验。

近似到达时间约束下的语义轨迹频繁模式挖掘

随着GPS定位技术的不断发展与智能移动设备的普及,轨迹数据的获取变得越来越容易,同时,轨迹数据相关应用的需求也逐渐增多.在轨迹数据上加入语义信息,可以得到体积较小、质量较高、能够更好地反映用户行为的语义轨迹,在其上实现旅游线路推荐、路线预测、用户生活模式挖掘、朋友推荐等应用,可以更好地满足用户需求.挖掘语义轨迹的频繁模式是实现这些应用的技术基础,而在很多情况下,用户对语义轨迹频繁模式常存在到达时间方面的需求,比如按特定时间游玩热门景点的同时需要按时到达车站候车.现有的语义轨迹模式挖掘方法大多没有考虑到达时间的约束,挖掘出的频繁模式缺少到达时间信息;少数方法考虑了精确的到达时间,但因为约束太强会导致无法挖掘到频繁的模式.因此,首次对近似到达时间约束下的语义轨迹频繁模式(approximatearrival-time constrained frequent pattern,简称AAFP)挖掘方法进行了研究,并给出了其形式化定义;通过时间轴划分提出了挖掘AAFP的基线算法,并通过建立索引AAP-tree提出了改进后的高效、灵活的AAFP挖掘算法;之后提出了信息熵增量公式,并给出了时间轴划分及AAP-tree的高效维护方法;最后在真实数据集上进行实验,验证了方法的有效性及高效性.

基于出行方式及语义轨迹的位置预测模型

现有位置预测方法的研究多集中于对轨迹数据的挖掘和分析,而在如何通过轨迹数据中含有的信息内容以及外源数据以提高位置预测精确度方面的研究尚不深入,有很大研究空间.提出了一种挖掘语义轨迹信息并结合出行方式的未来位置预测模型,该模型首先可实现根据语义轨迹进行相似用户挖掘,并结合个人语义轨迹和相似用户位置轨迹得到频繁模式集合,最后结合2个集合对目标轨迹得到未来位置预测候选集;然后可实现对未来出行方式进行识别,同时结合历史出行方式和位置轨迹数据,建立Markov模型对未来位置进行预测得到候选集,最后结合前一部分的候选集得到最终未来位置结果.此模型不仅能结合语义轨迹挖掘相似用户的行为活动,还可同时融合出行方式的外源数据克服位置轨迹的局限性.实验验证表明:该模型能对日常生活中的轨迹位置数据进行预测并达到86%的精确度,同时在不同的频繁模式支持度下,其精确度都比未结合出行方式模型时平均高出5%,因此本模型对位置预测结果的提高具有有效性.

一种基于语义轨迹的事件规则学习算法

视频上的事件探测对于视频检索与语义理解是一个很重要的工作.视频中的轨迹不仅记录了物体的移动信息,也反映了物体移动的动机,并与事件的发生密切相关.主要探讨了如何从轨迹抽取事件.然而,基于内容的视频事件分析中,从视频中抽取的低层特征与高层的语义特征存在一定的鸿沟.因此,利用领域知识标记的兴趣区域,提出一种新的语义轨迹表示方法,从而将视频中得到的原始轨迹转化为语义轨迹.同时,使用物体与兴趣区域关系的正则表达式描述视频中的语义事件.基于归纳学习的事件规则学习算法显示了正则表达式比传统的一阶谓词上的合式公式更易于学习.利用学习得到的事件规则可以很好地用于视频中语义事件的探测.最后,实验表明了事件探测的有效性。

智慧旅游中基于语义轨迹的高效最近邻查询方法研究

基于位置的应用、电子移动设备等技术的发展,使得从移动端获取时空和语义信息更便捷。时空轨迹点附着语义信息后形成语义轨迹。语义轨迹的高效查询在智慧旅游中体现出极大价值。但现有多数旅游系统仅支持时空或文本单方面查询,效率亦不理想。研究在语义轨迹上基于ITS-树的高效最近邻查询处理方法。提出的ITS-Tree索引同时融合空间及文本信息,有助于从原始轨迹集中快速定位与用户需求匹配度最高的k条最近邻语义轨迹,供其出行参考。

多角度语义轨迹相似度计算模型

移动设备的发展使得轨迹数据可以记录更多有用的信息,比如签到信息、活动信息,构成了语义轨迹数据。快速有效的轨迹相似度计算会为分析问题带来巨大好处,已有学者对轨迹相似性及语义轨迹相似性做出研究,并提出了一些有效的方法。但是现有轨迹相似性计算方法无法应用于语义轨迹数据,而目前的语义轨迹相似性计算方法又在轨迹采样频率低的情况下效果不佳。因此在解决轨迹相似性计算对低采样频率敏感的基础上,结合了语义轨迹的附加访问地点信息,提出了一种新的轨迹相似性计算模型,叫作多角度语义轨迹(MAST)相似度计算。模型基于LSTM并且引入自注意力机制,学习到的轨迹表达为多个关注轨迹不同方面的低维向量,构成了一个矩阵,从而解决了单一向量无法准确表达轨迹的问题。这个矩阵不仅包含轨迹的空间信息,也包含语义信息,可用于计算语义轨迹相似度。提出的模型在两个现实语义轨迹数据集上进行实验,实验数据表明MAST的计算结果优于现有方法。

基于语义轨迹模式的移动轨迹去匿名化攻击方法

笔者提出一种基于语义轨迹模式的去匿名化攻击方法,利用语义轨迹模式挖掘算法获取每个移动对象的频繁语义轨迹模式集,以此作为轨迹特征来构建其行为画像,进一步设计相应的相似性度量,并在真实的轨迹数据集上进行实验。实验结果表明,该方法可获得相对较高的去匿名成功率。

基于空间语义轨迹的GPS航迹行为特征检测研究

针对GPS航海定位系统轨迹检测缺乏语义的特点,提出一种基于空间语义轨迹的GPS航迹行为特征检测方法。该方法使用OWL形式描述GPS航迹行为特征,构建本体行为特征库以及提取航迹行为之间的数据依赖关系,在此基础上运用启发式的搜索算法生成关于Stop序列集的语义轨迹。然后,通过基于语义描述ALC-Tableau的逻辑推理,将Stop实例集与行为特征库相匹配。最后,通过实验分析验证该方法的有效性。

语义轨迹建模与挖掘研究进展

语义轨迹是时空轨迹和语义信息融合的产物。除了含有时空信息以外,语义轨迹包括移动对象自身的运动状态(如速度、方向)、环境(如气温、空间拓扑关系)和社交关系(如好友关系、社交活动)等多方面信息。挖掘语义轨迹可以深入地发现个体或群体移动行为的意图、习惯、情感等高阶语义内容,从而深层次发现个体或群体移动行为的模式、关系和规律等。因而,相较于时空轨迹,语义轨迹在语义性、解释性、可行性等方面更符合决策分析应用的实践需求,具有更重要的研究意义和应用价值。本文对语义轨迹挖掘的关键技术进行了综述。首先,介绍语义轨迹的基本概念,并且根据语义元素类型的不同总结了4种常见的定义形式。其次,归纳了语义轨迹建模的基本阶段,包括预处理、轨迹分段和语义富化。由于语义轨迹无法像时空轨迹那样从位置感知设备中采集获得,因此语义轨迹是通过建模技术得到的,主要通过将语义信息和时空轨迹相融合生成相应的语义轨迹。然后,介绍语义轨迹挖掘的主要任务,包括语义轨迹模式挖掘、语义轨迹聚类、语义轨迹分类、语义轨迹异常检测等。针对每一项挖掘任务,介绍了有关的基本原理和相关算法,总结了主要的关键技术和挑战。最后,探讨了语义轨迹挖掘现存的研究难点和未来研究方向。从模型定义、语义标注技术、多源数据建模等方面,讨论了语义轨迹建模的重要研究问题;从语义轨迹数据管理、分类和预测、流式数据挖掘、隐私保护、多粒度挖掘、评价方法等方面,探讨了语义轨迹挖掘的未来研究问题。

基于隐马尔可夫模型的时空轨迹语义匹配方法

时空轨迹数据关联的语义信息能更好地反映用户行为,对于POI密集分布的城市区域,轨迹的语义信息很难根据单一的距离或时间要素进行匹配,该文设计一种基于隐马尔可夫模型(HMM)的时空轨迹语义匹配方法。首先,利用时间阈值与距离阈值提取逗留点,并利用考虑时间的DBSCAN聚类方法对逗留点进行聚类,得到由抽象停留位置构成的轨迹;然后,结合POI数据获得停留位置的候选语义,再以停留位置序列为观测序列,以每个停留位置所关联的候选地点作为隐藏状态建立HMM,并用改进的加权距离的TF-IDF方法计算HMM的观测概率;最后,解算HMM得到最有可能的访问地点序列作为轨迹的语义匹配结果。该方法不依赖其他外部数据或训练数据,适用于POI密集分布的城市区域,基于真实时空轨迹数据集的实验结果验证了该方法的有效性。

基于鼠标轨迹语义理解的医学影像阅片交互意图识别

由于诊断成像研究的数量及复杂度不断增加,现影像科医生日常阅片任务繁重、工作负担大,为影像科医生减轻阅片负担、帮助其提高诊断效率已成为各界关注的重点。对医生影像阅片过程中的交互意图进行识别与理解,可用于开发能够提供自适应工具、优化用户工作流程的新型智能影像阅片系统,以帮助医生更高效、更准确地进行数字影像阅片任务。目前,医生进行医学影像阅片仍然主要使用基于鼠标输入的图形用户界面,为此,提出一种基于鼠标轨迹语义理解的医学影像阅片交互意图识别方法。首先,对鼠标交互轨迹进行语义分段;然后,对分段后的鼠标轨迹子序列运用逻辑推理与监督学习的方法进行交互行为语义注释。在自建的鼠标交互轨迹数据集上对所提方法进行验证,该交互意图识别方法在[0.3∶0.8∶0.1]的TIoU阈值下平均识别召回率、精确率及F均值分别达到86.7%、83.1%和85.4%。结果表明该方法可以有效地依据隐式鼠标交互数据实现医学影像阅片交互意图识别,证实了基于鼠标轨迹语义理解的交互意图识别方法在医学影像辅助阅片研究领域中的可行性及有效性。

面向室内空间的语义轨迹提取框架

利用海量位置数据分析用户行为,挖掘用户的潜在价值越来越受到人们的关注。室外环境中已有较成熟的解决方案。针对室内空间中WiFi定位数据的精确度、鲁棒性不足等问题,对面向室内空间的语义轨迹提取方法进行了研究,能在减少错误、压缩原始位置数据的同时,增强轨迹的表达能力,使得更深入的室内时空数据挖掘成为可能。该文基于室内空间建模、数据清洗、事件提取和语义增强4个模块的框架提出了室内语义轨迹计算的方法,在真实数据集和模拟数据集上进行实验,结果表明:该方法能从存在误差和缺失的室内定位数据中,准确有效地挖掘和提取出含有语义信息的轨迹数据,为上层的应用分析所用。

基于语义时空轨迹的位置预测

时空数据稀疏性导致位置预测准确率较低,利用轨迹点的多源语义信息扩充轨迹序列的维度,缓解数据稀疏性带来的负面影响,已成为位置预测研究的重要突破口。提出了基于语义时空轨迹的位置预测模型SemanPredict。首先,将传统轨迹序列转换为包括停留点、停留时间以及活动类型的语义轨迹;其次,利用多模态联合嵌入方法,建立轨迹点之间的隐含关系;最后,采用长短期记忆(Long Short-Term Memory,LSTM)神经网络建模语义轨迹序列进行位置预测。在WiFi时空数据集和Twitter签到数据集上进行实验验证,结果表明,相较于传统模型,SemanPredict模型能够更好地捕捉用户移动规律,预测准确率更高。

基于语义轨迹停留点的位置服务匹配与应用研究

在位置服务领域,用户轨迹在较大程度上体现了用户的日常行为模式,以及个人生活习惯等。利用GPS终端收集用户行为轨迹数据并加以挖掘分析,对于位置服务实现智能化推送有积极作用。用户行为轨迹的停留点分析是轨迹分析的常见手段之一。本研究首先将用户个性化信息,与轨迹点相关的地标名称等语义信息融入常规用户行为轨迹,形成"位置-语义"一体化的用户语义轨迹。然后,过滤原始轨迹错误点,提高数据精度,并在此基础上采用一种新的加权方法计算轨迹停留点坐标。最后,利用停留点坐标结合用户的兴趣、职业等个人信息,在扩充的POI信息库(包含营业时间、优惠信息等)中检索匹配,并智能化匹配出用户停留点周围的POI,主动向用户推送符合个人兴趣或职业需求的POI详情位置服务。

基于轨迹时空关联语义和时态熵的移动对象社会角色发现

现有轨迹相似性度量缺乏对时空语义和时间随机性的考虑,不能有效地区分移动对象的社会角色.为解决这一问题,做了如下工作:1)提出了时空关联语义(spatial-temporal associated semantics,STAS)的概念,解释了轨迹的语义相似性规律,即两条轨迹的语义相似性与其在某时段内经过同类型区域的概率正相关;2)提出了时态熵(temporal entropy)的概念,度量了轨迹经过同一类型区域的时间随机性;3)基于STAS和时态熵,给出轨迹语义相似性度量(trajectory semantic similarity,TSS),刻画了轨迹所属移动对象的社会角色的时空特征;4)提出了移动对象社会角色发现算法(social roles discovering algorithm,SRDA),该算法基于TSS实现轨迹聚类,其中一个聚簇代表一种社会角色.真实数据和仿真数据上的实验表明,SRDA在准确率上比现有方法平均提高了18%,同时具有线性时间复杂度,从而验证了算法的有效性和性能.