- · 《中国社区医师》栏目设[06/30]
- · 《中国社区医师》收稿方[06/30]
- · 《中国社区医师》投稿方[06/30]
- · 《中国社区医师》征稿要[06/30]
- · 《中国社区医师》刊物宗[06/30]
社区老年人空间行为轨迹异常分析方法(2)
作者:网站采编关键词:
摘要:1 算法模型与方法 建立了社区老年人异常行为轨迹风险分析模型,如图1所示。该模型分为2部分:空间异常行为轨迹识别、空间异常行为轨迹风险分析。
1 算法模型与方法
建立了社区老年人异常行为轨迹风险分析模型,如图1所示。该模型分为2部分:空间异常行为轨迹识别、空间异常行为轨迹风险分析。
图1 社区老年人异常行为轨迹风险分析模型Fig.1 Risk analysis model of elderly people’s spatial behavior trajectory
第一部分为空间异常行为轨迹识别。使用ST-DBSCAN轨迹聚类算法对老年人的空间行为轨迹进行聚类,识别出老年人动态行为链及行为轨迹规律。异常识别模块以两种常见的老年人异常轨迹模式识别为目标(出行轨迹偏离日常轨迹和停留时间过长),利用DTW算法对老年人的动态轨迹进行异常轨迹识别。第二部分为空间异常行为轨迹风险分析。模块综合考虑老年人的异常轨迹模式、老年人的身份属性信息和环境信息等特征,建立老年人的异常轨迹综合风险分析模型,定量化地分析老年人在室外场景下的异常轨迹风险,实现老年人异常轨迹预警。
1.1 空间异常行为轨迹识别
定义了两种老年人的出行异常,如图1中空间异常行为轨迹识别部分所示,模型的第一部分用于识别这两种异常。第一种异常为老年人的出行轨迹偏离日常轨迹,第二种异常为老年人出行时出现异常停止或出现速度异常的情况。
1.1.1 出行轨迹偏离日常轨迹
针对第一种异常情况,首先要确定老年人的日常轨迹,利用ST-DBSCAN聚类算法对老年人的轨迹数据进行聚类,得到老年人频繁访问的地点。连接这些访问热点,得到老年人的日常行为链,即为老年人的日常轨迹。下一步使用DTW动态时间规整算法计算老年人出行轨迹与老年人日常行为链之间的距离。计算每一条出行轨迹与行为链的距离,并求出平均值,将其作为判断出行轨迹是否异常的临界距离。如果某条实时出行轨迹与日常轨迹之间的距离大于平均值,则认为这条出行轨迹是异常的。
利用ST-DBSCAN聚类算法,设存在数据总量为N的轨迹点集{X1,X2, …,XN},预设空间邻域半径为SEPS,时间邻域半径为TEPS,每个聚类簇内最少包含点的个数为 MinPTS。随机选取一个中心点计算空间邻域和时间邻域内点的个数n,如n≥MinPTS则邻域内的点为一个簇,接下来重复此步来寻找同一个簇。DTW算法利用时间序列进行延伸和缩短,来计算两个时间序列之间的相似性。两个时间序列为X和Y,长度分别为|X|和|Y|。归整路径,其形式为W=w1,w2,…,wK,Max(|X|,|Y|)≤K≤|X|+|Y|。wK的形式为(i,j),其中i表示X中的i坐标,j表示Y中的j坐标。归整路径W必须从w1=(1,1)开始,到wK=(|X|,|Y|)结尾,以保证X和Y中的每个坐标都在W中出现。另外,W中w(i,j)的i和j必须是单调增加的。最后要得到的归整路径是距离最短的一个归整路径,即
D(i,j)=Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]
式(1)中:D(i,j)为长度为i和j的两个时间序列之间的归整路径距离。最后求得的规整路径的距离为D(|X|,|Y|)。
1.1.2 出行时异常停止或速度异常
第二种异常情况是指在出行过程中老年人突发疾病倒地或老年人由于身体不适导致行动缓慢的情况。为检测老年人的异常停止,首先统计老年人在日常行动中出现停止移动的地点和停止的时间,将数据中最长的停止时间tmax作为临界条件。如果实时运动轨迹中出现了老年人在某处的停止时间大于tmax的情况,则认为老年人在此处可能遇到了意外摔倒或失去意识的情况,此时老年人存在猝死的风险。
为检测老年人的异常速度,使用式(2)~式(4)来计算老年人的移动速度。分析老年人的出行速度时,将日常出行中的最低速度作为判断老年人出行时速度是否异常的临界值。如果老年人实时出行时的移动速度小于临界值,则认为此时老年人可能遇到了异常情况。
c=sin(Lat1)sin(Lat2)cos(Lng1-Lng2)+cos(Lat1)cos(Lat2)
D=π/180Rarccos(c)
v=D/t
式中:Lat为纬度;Lng为经度;R为地球半径,m;D为两点之间的距离,m;v为两点之间的瞬时速度,m/s;t为两点的时间差,s;c为圆心角,rad。
1.2 空间异常行为轨迹风险分析
模型在1.1节“空间异常行为轨迹识别”中识别出了异常情况,为增加模型识别安全风险的准确性,结合异常轨迹模式、老年人身份属性信息、环境信息对出现的异常进行具体的风险分析。如表1所示,分为人员数据、出行数据、天气数据、异常4种属性,每个属性包含不同的情况,每一种情况分为不同风险等级,分别有0到3分的差别。其中各项数值是通过专家经验得到的权重值。针对老年人发生异常时的不同情况进行打分,最后得分除以表中最大分值21,此数值即为老年人行为轨迹出现异常时的安全风险。
文章来源:《中国社区医师》 网址: http://www.zgsqyszzs.cn/qikandaodu/2021/0610/1888.html