位置信息數據挖掘技術在應急管理中的應用探析

曠暉 王俐

摘要：隨著我國手機普及率的不斷提高，發生公共安全事件時，相關人員有極大的可能與手機處于同一個空間，通過手機定位技術采集人員的位置信息，使用空間數據挖掘技術可有效地進行目標人員位置信息的追蹤和實現價值提取，能夠提高應急救援效率，升政府應急管理能力。該文以手機位置信息為研究對象，從推斷目標人員敏感信息為切入點，研究空間位置數據挖掘相關技術，總結當前各類技術的特點和不足，并提出一種自適應聚類方法，能提高聚類精度，更有效地支持應急管理系統，對提升相關部門應急管理能力有著重要意義。

關鍵詞：位置信息;數據挖掘;公共安全;應急管理

中圖分類號：TP311? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1009-3044（2018）35-0008-03

我們國家正處在一個快速發展的階段，從高鐵到地鐵，從城市建設到新農村改造工程，從物流倉庫到大型工廠，各個地區各項建設如火如荼地開展著，另一方面，隨著城市化進程加快和人民生活水平的提高，高層建筑越來越多，人們聚集于住宅區、商場、影院及參加其他大型群體性活動或者外出旅游的概率也在不斷提高，各種風險隨之不斷積聚。可以發現，近年來國內各種大型突發公共安全事件層出不窮。因此，公共安全事件發生前的預警、發生后及時高效的應急救援都非常重要，這既關乎公民的生命財產安全，也關系到老百姓對政府的信任和支持。當人群聚集過度引發踩踏事故，旅游遭遇地質災害或極端天氣（如地震、山洪、泥石流），建筑物發生火災，各類礦場發生塌方事故等，都需要及時啟動應急響應進行救援。傳統的應急搜索設備如紅外探測儀、生命探測儀、聲波探測儀等雖各有所長，但對于大范圍的搜索定位還是比較困難的。而隨著移動互聯網技術的快速發展，我國手機普及率不斷提高，發生公共安全事件時，相關人員有極大的可能與手機處于同一個空間，通過手機定位技術采集人員的位置信息，使用空間數據挖掘技術可有效地進行目標人員追蹤和實現價值提取，能夠提高應急救援效率，也使得政府公共安全治理能力得到進一步提升。

1 當前主流手機定位技術分析

目前手機定位主要采用基于通信網絡的方法如Cell-ID（小區標號）、TOA（到達時間）、TDOA（到達時差）[1]與AOA（到達方向角）等，需要三個以上的基站協同定位就可以獲得手機的位置信息，例如TDOA算法的測時差精度要達到納秒（ns）級，基線長度達到十公里量級能保證手機定位精度。針對地質災害，區域范圍內的基站往往不同程度地遭到損毀，無法通過該方法實施定位，這時往往使用多個應急通信車來協同開展定位，但其定位精度不高。針對上述問題，基于非均勻稀布陣列[2]的手機定位方法，對微弱信號探測能力強，對多個手機信號定位時，無須信號配對，能夠高精度、高分辨地進行定位獲取手機的位置，是未來手機定位技術的發展趨勢之一，對傳統手機定位方法起到有效補充的作用，手機定位示意如圖1所示。

非均勻稀布陣列使用車載形式，由兩部車組成定位系統，機動性強，陣列易于展開，可以縮短定位時間。每部車上分別采用十米量級小孔徑稀布陣，由兩部車上的小陣列形成大孔徑稀布陣，可獲得高精度、高分辨的手機位置信息。其定位方法如圖2所示，在空間某一直線上不等間距地布置天線陣元，其有[M]個天線接收近場手機信號源從方位角[θ]，距離[R0]輻射來的電磁波信號，根據陣列信號處理理論對隨機化陣列建立數學模型。

選擇第一個陣元作為坐標原點，建立[XY]坐標系，并將所有陣元所在的直線定為[X]軸。手機輻射信號的來波方位角[θ]定義為：射線[OT]以逆時針方向旋轉至坐標軸[Y]所掃過的角度為正向角度。基于非均勻稀布陣列球面波模型可獲得手機的位置信息，在不同的距離[R]和方位角[θ′]上掃描，計算空間譜：

其中，[N]為噪聲的協方差矩陣，[αR，θ′]為陣列流矢量，搜索手機輻射信號空間譜[PR，θ′]的峰值，此峰值對應的掃描距離和方位就是手機的距離[R]和方位信息[θ]。

從以上分析可以看到，通過多種方法獲取的位置信息，存在數據量巨大，誤差精度不同，數據復雜性的問題，傳統的數據處理方法已不再適宜。隨著信息技術的不斷發展，我們已然知道大數據技術對于處理復雜多維數據有著天然優勢。因此使用數據挖掘技術對位置信息進行處理，能夠更加快速準確地提取到關鍵信息，從而對應急管理各方面起到重要作用。

2 基于位置信息的自適應聚類數據挖掘方法

基于位置信息的數據挖掘是數據挖掘中一項重要的決策支持技術，關鍵在于從位置數據中挖取未知卻有用的關聯信息，提供給應急管理決策支持系統。位置信息的數據挖掘是利用數據挖掘技術從具有高維度、巨量、非線性等特性的位置數據中提取有用信息與知識的過程。在研究位置信息數據挖掘方法中，刑學鋒[3]等人從位置信息的來源、挖掘和應用三個方面入手，提出了符合運營商特點的方案建議;王樹良[4]等人在大數據背景下思考空間數據挖掘，分析了空間數據在大數據中的基礎地位，分析了空間大數據面臨的垃圾多、污染重、利用難的現狀，剖析了空間大數據蘊含的價值;白嗣東[5]研究了室內定位系統在線階段以加權的鄰近算法，根據訓練數據的統計分析給出定位算法參數的選定數值，并且分析了各個參數對定位性能的影響情況。

基于位置信息的數據挖掘算法眾多，主要有統計分析方法、關聯分析法、神經網絡法、聚類分析法等。其中：1）統計分析方法是一種較為傳統的數據挖掘方法，它基于數學模型或概率模型來提取位置信息中的知識，具有大量成熟算法，但統計分析方法不會將位置信息所具有的特性限制因素進行考慮，因此該方法對手機位置的特性挖掘不足;2）關聯分析方法是采用關聯規則或頻繁項集來對不同數據集中的隱藏信息進行提取，能夠揭示數據挖掘中所涉及的有趣聯系;3）神經網絡法中基本的成分是神經元模型，通過神經元接收來自其他多個神經傳遞過來的輸入信號，并通過帶權重的連接進行傳遞，與神經元的閾值進行比較再通過激活函數進行神經元的輸出，在廣泛的領域得到應用，但其模型隨著深度的增加，參數量會非常巨大;4）聚類分析方法是一種研究最多，應用最廣的數據挖掘方法，它通過無標記訓練樣本的學習來為位置數據的分析提供基礎。聚類分析方法又包括基于劃分的聚類方法、基于層次的聚類方法、基于網格的聚類方法、基于圖的聚類方法和基于模型的聚類分法等。其中，基于劃分的聚類方法主要有K均值算法，它將數據對象集劃分到不同的子集中，使個每個數據恰好只有一個子集中，此聚類方法相對比較簡單;基于層次的聚類方法通過形成一棵樹來嵌套簇的集簇，除葉點外，樹中每一個結點都是子女的并，而樹根是包含所有對象的簇，雖然該方法仍有較多應用，但與其他聚類方法相比相對較老;基于網格的聚類方法創建網格單元集合能夠有效地組織數據，并通過數據屬性將數據分割成多個區間，且每個數據被指派到一個網格單元中，由鄰近的稠密單元組成簇來實現數據的聚類。該聚類方法對低維數據非常有效，聚類過程高效，時間和空間復雜度低，但是隨著位置數據維底的增加，網絡單元的個數會呈指數級增加，因此對于高維數據，基于網絡的聚類效果將會很差;基于圖的聚類方法利用圖的性質和特性來對數據進行聚類，比如利用稀疏化鄰近度圖來保留數據與其最近鄰之間的聯系、定義不同數據之間的相似度來共享最近鄰個數、定義核心數據并構建環繞它們的簇、提供兩個簇是否合并的復雜評估等，該方法簡單、速度快，即便存在噪聲也能夠有效地聚類空間數據，但對于高維度數據會出現大量聚類錯誤;基于模型的聚類方法為每個簇建立一個模型，并采用此模型對數據進行最佳擬合，常常使用概率統計模型和神經網絡模型分別進行概念聚類和自組織聚類。