適應聚類方法在公共安全事件應急管理中的應用

馬 雯

(陜西警官職業(yè)學院，陜西 西安 710021)

0 引言

我國正處于從世界大國向世界強國的轉(zhuǎn)變階段。隨著城市化進程的不斷加速和人民生活水平的大幅提升，人群聚集效應愈加明顯，隨之而來的還有各類公共安全風險的增大[1-2]。如本年度爆發(fā)的新型冠狀肺炎事件，爆發(fā)時間正值春節(jié)前夕，人員流量大，為疫情防控帶來了極大的不便。期間，通過手機定位技術查詢用戶行動軌跡對疫情防控起到了非常大的幫助作用。截至2019年6月，我國手機普及率達到112.2部/百人，通過手機定位采集用戶位置信息，得到用戶位置信息等數(shù)據(jù)后，利用大數(shù)據(jù)挖掘技術對用戶定位信息進行處理，并過濾得到有效信息，可提升應急救援效率[3-6]。本文從移動終端定位技術研究入手，對基于移動位置信息的適應聚類方法在公共安全事件應急管理中的應用進行了研究，旨在為公共安全事件應急管理效率提升提供技術和理論支持。

1 基于非均勻稀布陣列的手機定位方法

諸如小區(qū)識別碼(cell tower id,Cell-ID)、到達時間定位法(time of arrival,TOA)、到達時間差定位法(time difference of arrival,TDOA)和到達角度定位法(angle of arrival,AOA)等基于通信網(wǎng)絡的手機定義技術目前應用較多，三個以上基站協(xié)同作業(yè)便可以完成定位過程[7]。諸如地震、爆炸等具有物理破壞性的公共安全事件極有可能會對既有基站造成損壞，導致定位不準確，進而影響應急搶險速度、增大應急管理難度。基于非均勻稀布陣列的手機定位方法作為傳統(tǒng)手機定位技術的補充，具備探測微弱手機信號的能力。多個手機定位時，無需信號配對就能實現(xiàn)高精度、高分辨率的手機定位。基于非均勻稀布陣列的手機定位方法如圖1所示[8]。

圖1 基于非均勻稀布陣列的手機定位方法Fig.1 Mobile phone location method based on uneven sparse array

非均勻稀布陣列一般由兩臺車載形式的陣列完成手機定位，具有機動能力強、陣列展開方便等優(yōu)勢。相比傳統(tǒng)的手機定位技術，它能大大縮短手機定位時間。車載陣列采用十米級小孔徑稀布陣，兩臺車共同組成大孔徑稀布陣，以完成高精度、高分辨率的手機定位技術。

基于非均勻稀布陣列的手機定位原理如圖2所示。

圖2 基于非均勻稀布陣列的手機定位原理圖Fig.2 Location principle of mobile phone based on uneven sparse array

假設待定位手機信號位于位置T處，共有m個天線接收來自信號源T的電磁信號，選擇第一陣元所在位置為原點，以所有陣元所在直線為x軸，建立坐標系。其中，θi和Ri分別為信號源T與第i個陣元之間的方位角和距離。假設射線OT以逆時針方向旋轉(zhuǎn)至坐標軸Y所掃過的角度為正方位角，可得手機信號空間譜P(R,θ)的計算公式，如下所示。

(1)

式中：N為噪聲的協(xié)方差矩陣；α(R,θ)為陣列流矢量；P(R,θ)為手機信號空間譜的峰值，與此對應的掃描距離和方位即為陣列與手機間的距離R和方位角θ。

2 基于移動位置信息的自適應聚類方法

2.1 自適應聚類方法介紹

分析基于非均勻稀布陣列的手機定位方法可知，由于搜索所得的手機信號數(shù)據(jù)量大，傳統(tǒng)的數(shù)據(jù)處理方法無法滿足如此大量的數(shù)據(jù)數(shù)據(jù)信息。為此，本文引入基于移動位置信息的自適應聚類方法[9]。

手機定位的空間位置數(shù)據(jù)存在維度高、非線性和稀疏性等特點，上述算法對輸入?yún)?shù)的敏感性較高、參數(shù)選擇難度較大。為此，夏魯寧等[10]在基于密度的噪聲應用空間聚類(density-based spatial clusterting of applications with noise,DBSCAN)算法的基礎上進行改進，提出了基于密度的自適應噪聲應用空間聚類(self adaptive density-based spatial clusterting of applications with noise,SA-DBSCAN)算法。改進后的算法能借助于算法本身對數(shù)據(jù)集的分析完成參數(shù)的統(tǒng)計。聚類過程中盡可能減少人工干預，降低人為選取參數(shù)引起的誤差。

2.2 DBSCAN算法介紹

DBSCAN算法的核心點、邊界點和噪聲點如圖3所示。

圖3 DBSCAN算法的核心點、邊界點和噪聲點Fig.3 Core point,boundary point and noise point of DBSCAN algorithm

如圖3所示，該算法從核心點出發(fā)，通過超球狀區(qū)域內(nèi)數(shù)據(jù)對象的數(shù)量衡量此區(qū)域密度的高低，并將所有密度可達的對象組成一個簇，從而有效地識別和排除噪聲點和邊界點。計算方法和定義如下[11-12]：

假設有數(shù)據(jù)對象p，定義NEps(p)為數(shù)據(jù)對象p以Eps為半徑的d維超球體鄰域，則：

NEps(p)={q∈D|d(p,q)≤Eps}

(2)

式中：D?Rd為d維空間的數(shù)據(jù)集；d(p,q)為數(shù)據(jù)集D中對象p和對象q之間的距離。

給定整數(shù)minPts。當對象p的Eps鄰域內(nèi)的對象滿足NEps(p)≥minPts，則稱對象p為(Eps,minPts)條件下的核心點，落在任意核心點的Eps鄰域內(nèi)對象稱為邊界點，此外稱之為噪聲點。

2.3 改進后的SA-DBSCAN算法介紹

DBSCAN算法的核心在于確定兩個常數(shù)Eps和minPts。改進后的算法通過對原有數(shù)據(jù)的分析和計算，自動獲得這兩個參數(shù)。

定義Dn×n={d(i,j)|1≤i≤n,1≤j≤n}為距離分布矩陣，其中每一個元素指D中對象i和j之間的距離。將Dn×n中每一列排序并轉(zhuǎn)置得到如下矩陣：

Kn×n=sort(Dn×n)T

(3)

矩陣Kn×n中列向量為數(shù)據(jù)集內(nèi)所有對象與其最近的第(k-1)個對象(k為列下標)的距離集合。當k=1時，無第(k-1)個對象，故上述矩陣中第一列為0向量，去掉矩陣的第一列，得到：

Kn×(n-1)=sort[Kn×n(1:end;2:end)]

(4)

則Kn×(n-1)的第k(k=1,2,…,n-1)列表示數(shù)據(jù)集中對象k與鄰近距離集合。

以常見的概率分布為例，并以當前發(fā)現(xiàn)擬合效果最好的逆高斯分布作為擬合方法，先通過繪圖得到minPts=k的值。其概率分布公式為：

(5)

(6)

通過擬合便可獲得：

(7)

3 具體應用

3.1 應用流程

手機定位本身存在一定的誤差，數(shù)據(jù)采集和人為干擾會導致手機定位信息誤差的增大。根據(jù)前文所述，選擇自適應聚類方法去處理位置數(shù)據(jù)是適當?shù)摹＠枚ㄎ恍畔⒅芯嚯x數(shù)據(jù)的緩變性，自適應地形成聚類算法的分類閾值，以進一步提高聚類精度，為實現(xiàn)更精準的公共安全事件應急管理提供便利。基于移動位置信息的自適應聚類算法應用流程如圖4所示。

圖4 基于移動位置信息的自適應聚類算法應用流程圖Fig.4 Application flow of adaptive clustering algorithm based on mobile location information

該算法步驟如下。①需要利用非均勻稀布陣列對手機進行定位，從而獲得位置信息數(shù)據(jù)。②以非均勻稀布陣列對待定位手機距離和方向的定位，設置位置信息的閾值初始值。③利用Euclidean Metric原理計算待定位手機的位置信息及相似度。④根據(jù)上述計算所得的閾值、相似度及距離等信息，得到位置信息的聚類。⑤依據(jù)第二章節(jié)所述聚類算法，經(jīng)過算法自適應調(diào)整位置信息，并統(tǒng)計聚類后的位置信息相似值得均值，當均值小于距離或方位的閾值時，完成預分選，否則重復第③～第⑤步，直至滿足完成與分選的條件。⑥根據(jù)分類提取的知識，提出并執(zhí)行公共安全事件應急管理措施。

3.2 應用效果

以某次A城市地震災害搜救過程為例。在該次地震搜救過程中，采用的是4個車載基站，搜救范圍為一個倒塌的樓房，范圍不超過5 km，故將搜救半徑設定為5 km。

定位信息及其聚類結果如圖5所示。

圖5 定位信息及其聚類結果Fig.5 Location information and clustering results

改進后的SA-DBSCAN算法能夠根據(jù)數(shù)據(jù)集中的密度進行數(shù)據(jù)的簇劃分，進而實現(xiàn)本文所述的Eps和minPts兩個參數(shù)的取值。運算時間及聚類準確度統(tǒng)計如表1所示。

表1 運算時間及聚類準確度統(tǒng)計Tab.1 Operation time and clustering accuracy statistics

由表1可見，當兩種聚類算法的Eps和minPts兩個參數(shù)取相同值時，改進后的SA-DBSCAN算法所需運算時間更短，且所得的結果相較于DBSCAN算法有更高的精度。

4 結論

城市化帶來越來越密集的人群聚集，公共安全事件應急管理越來越受到民眾的關注，同時它對政府職能部門應急管理能力也提出了諸多要求。信息化的快速發(fā)展為應急救援和應急管理帶來了新機遇，借助于大數(shù)據(jù)分析等技術，不僅有助于事前公共安全事件的預防和控制，而且有助于在安全事件發(fā)生后盡可能減少人員和財產(chǎn)損失。當前，云大物移智已經(jīng)走進我們的生活，應用新技術建立更加智能的應急管理系統(tǒng)，更有助于提升職能部門應急管理能力。