基于井下人員的異常軌跡分析方法研究

趙福龍

摘要：針對井下作業人員軌跡數據信息多維度和稀疏性等問題，提出了基于離群點的異常軌跡篩選ZFMTRAOD算法，首先通過對軌跡子段建立R-tree索引提升檢索速度，然后利用離群檢測思想對鄰域半徑內軌跡子段的數量和平均時間判斷軌跡是否異常，最后利用井下作業人員的軌跡數據對算法的性能進行比較，發現基于離群點的井下人員軌跡分析算法不僅能判別出井下作業人員異常軌跡的類型，還提高了異常軌跡判別的準確率。

關鍵詞：離群點;ZFMTRAOD算法;軌跡分析;R-tree索引

中圖分類號：TP311? 文獻標識碼：A

文章編號：1009-3044（2021）09-0205-03

開放科學（資源服務）標識碼（OSID）：

Research On Abnormal Trajectory Analysis Method Based on Downhole Personnel

ZHAO Fu-long

（Hebei University of Engineering， Handan 056038， China）

Abstract：For trajectory data underground work personnel information and multi-dimensional sparse sexual problems， such as abnormal trajectory of outliers is proposed based on screening ZFMTRAOD algorithm， first of all， through the path son sets up R - tree index increases the retrieval speed， and then use the ideological within the neighborhood radius on outlier detection sub section number and the average time to determine whether a trajectory is unusual， the use of underground work personnel's trajectory data to compare the performance of the algorithm， mine personnel find outliers based on trajectory analysis algorithm can not only identify abnormal track the type of underground work personnel， also raised the exception path discriminant accuracy.

Key words： outliers; ZFMTRAOD algorithm; Path analysis; R-tree indexes

國家在煤礦安全生產環節一直給予高度重視，要求所有煤礦企業必須安裝井下安全避險六大系統，但在分析煤礦特大事故發生的原因時，我們能夠發現大多數事故的發生并不是由于井下環境惡劣等其他客觀因素引發的，反而是人的主觀行為因素。據有關數據表明，在煤礦大型事故中，人的主觀行為因素占比高達97.67%，其中55.37%是由礦工的違規作業導致的[1-2]，因此如何加強對井下人員的異常行為監管才是煤礦安全生產環節的重中之重。

目前已有不少科研人員將異常軌跡檢測作為軌跡分析的重點，提出了許多異常軌跡篩選方法，Knorr[3-5]等人通過定義軌跡速度（平均速度、最小速度、最大速度）、位置（由軌跡點起始位置和結束位置組成）等屬性作為軌跡的標志，提出了基于加權距離的異常軌跡判別方法，此方法是根據軌跡整體的屬性來定義的距離函數，因此忽略了軌跡部分屬性間的差別，導致判別結果不準確。Li[6]等人提出了基于分類思想的軌跡判別算法，利用提出新的框架ROAM提取motif，對異常的軌跡進行篩選、過濾。Lee[7]等人提出了基于劃分的異常軌跡判別方法TRAOD，此方法采用分段的方式對每條軌跡劃分為若干子軌跡線段，利用Hausdorrf[8-9]測距方法測量子軌跡線段的距離，該算法較好地解決了全局軌跡之間篩選的問題，但還是存在無法有效判別出軌跡局部屬性以及需要計算大量的Hausdorrf距離的問題。在檢測一些具有相似屬性的軌跡時還具有一定的困難。

以上這些算法為本文提供了良好的想法，對提出一種適合井下人員軌跡的判別方法打下了基礎，因此本文根據井下人員軌跡數據具有多維度和稀疏性的特點，提出了基于離群點的異常軌跡判別算法。

1相關理論

1.1基于離群點的異常軌跡判別算法

如圖1所示是本文提出的基于離群點的異常軌跡判別算法是流程圖，它能夠判別出三種類型的異常軌跡，一是空間異常軌跡，根據井下人員空間位置數據與正常行走的軌跡信息作比較進行判別。二是時間異常軌跡，根據井下人員在某地點停留的時間判別出該點是否為異常點，三是根據以上兩種判別方法得出該軌跡是否為時空間異常軌跡。

此算法首先對分離出的每個軌跡子段建立R-tree索引，為的是能快速地查找到目標子段鄰域半徑[ω]內的其他軌跡子段，然后利用Hausdorff測距方法對軌跡子段進行遍歷，利用離群點思想將距離軌跡子段[Si]小于h的軌跡數量[NUMSi，h]查詢出來，當[NUMSi，h]小于設定的閾值[K×m]時，則可以判斷該軌跡為空間異常，然后利用時間準則[Tμ]判斷該軌跡是否為時間異常。此算法利用R-tree索引不僅提高了異常軌跡判別速度，還可以判斷出異常軌跡的異常類型。

1.2構建R-tree

R-tree樹結構可以對距離目標子段一定距離的子軌跡段進行檢索，通過設置合適的索引半徑[ω]可以找出所有距離目標子段為d（d<[ω]）的子軌跡段，將整體的軌跡距離比較轉化為局部的子軌跡段比較，其中[ω]的選取對索引結果有很大影響，如果[ω]較大，索引速度降低，如果[ω]較小，索引出的子軌跡段不完整，因此取兩種極端情況進行考慮。

（1）當目標子段與其他軌跡處于平行狀態時，Hausdorff距離公式為[d=d2∥（Li，Lj）] ，[ω]取值為[ω∥=Lmax+d+12*Length（Li）]，[Length（Li）]表示目標子段[Li]的長度，[Lmax]表示距離目標子段最長的軌跡。

（2）當目標子段與其他軌跡處于垂直狀態時，Hausdorff距離公式為[d=d2⊥（Li，Lj）]

[ω]取值為[ω⊥=d2Li，Lj+14*（Length（Li））2]

當把兩種極端情況都考慮到時，只需取[ω]的最大值，所有的距離目標子段的子軌跡段都能被檢索到。因此[ω]的定義公式為：

[ω=max （ω∥，ω⊥）]

從圖3我們能看到紅色代表目標軌跡，總體長度為H。藍色代表的其他軌跡，是利用鄰域半徑為[ω]的索引方式檢索到的，首先對目標子段進行分離，分離出的結果為{[h1，h2]}，{[h2，h3]}，{[h3，h4]}，然后檢測被分離的軌跡段是否為異常軌跡。從圖中我們能得知被檢索到的軌跡子段為：

[Hωh1，h2={l12，l21，l22，l31，l32}]

[Hωh1，h2={l14，l22，l23，l32，l33}]

[Hωh1，h2={l15，l23，l24，l33，l34}]

我們所獲得的軌跡子段還不能確定是否為軌跡線段，只能作為是符合[ω]鄰域半徑的軌跡點的集合。必須滿足[li]和[jj]兩個點在同一條軌跡上且[li]和[lj]必須是相鄰點這兩組條件才能確定為軌跡線段，因此，符合條件的軌跡線段為：

[Hωh1，h2={l21，l22，（l31，l32）}]

[Hωh2，h3={l22，l23，（l32，l33）}]

[Hωh3，h4={l23，l24，（l33，l34）}]

1.3井下人員異常軌跡的篩選

利用基于距離測量離群點的檢測思想對空間異常進行篩選，該方法DB（P，D）是由Knorr等人[3]提出的，由于方法簡單，易于理解，被許多科研人員廣泛引用，因此利用此算法的思想，提出了公式1-1來檢測。

[NUMSi，h

[Si]用來表示目標軌跡子段，h表示距離目標軌跡子段[Si]的距離，[NUMSi，h]表示其他軌跡子段到目標子段的距離小于h的軌跡數量，m表示距離目標軌跡子段的距離為[ω]的軌跡數量，K表示用來調節距離關系的參數。當滿足上式關系時，可以判定此目標軌跡子段[Si]為正常空間軌跡，否則為異常軌跡。

利用Jiang等人[10]提出的GOLF方法來檢測時間異常軌跡，首先要設置“[Tμ]”時間準則，然后計算出時間閾值，假設有一組集合[S={s1，s2，…，sn}]，如果集合中的任意的數都滿足式1-2，則此數為異常。

[si-s>Tμ]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 1-2

[s]用來表示集合S的平均值，[μ]用來表示集合S的方差，用式子1-3，1-4表示

[s=i=1nSi/n]1-3

[μ=i=1nsi-s2/（n-1）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ?1-4

Jiang等人用實驗數據表明，當[Tμ]中T為2或1.645時，異常軌跡的判別率較高，對于本文實驗采用k=1.645的效果更好，因此設置閾值為[Tthr=s+Tμ]，如果經過該子軌跡段的時間大于所設置的閾值則認為該軌跡可能時間異常。

2實驗分析

2.1案例分析

從圖4我們能夠看出是利用ZFTRAOD算法檢測出的某礦井作業人員的異常軌跡，其中包含了三種異常軌跡狀態，用三種不同的顏色分別代表不同的異常軌跡類型，其中藍色代表時間異常，黑色代表空間異常，紅色代表時空異常。

從圖5中我們能夠看出，這是某采區井下作業人員的活動范圍，其中藍色的方點代表井下關鍵位置的站點，該站點設有定位基站，對經過的井下作業人員進實時行定位，每個定位基站都有獨立的位置編碼對移動的人員進行具體的位置定位。分析圖2中的軌跡①，通過對比采區的活動示意圖，我們發現該作業人員直接從編號為15121的工作面的CH4傳感器基站移動到了配電硐室附近，此軌跡的開始日期為2019年9月8日12點30分30秒，隨后在16點20分25秒處結束，姓名為李洪剛（假名），查詢當天該人員對應的軌跡得知，此工作人員沒有走正常路線，跳過了聯絡巷2等其他基站，直接從15121工作面走到了配電硐室，正常的行走軌跡應該是從15121工作面經過聯絡巷2到達變電所或經過消防材料庫到達配電硐室，因此，該段軌跡存在空間異常。

如圖4所示，軌跡②是一條時間異常軌跡，表示作業人員從回風立井的水泵房到主斜井的配電硐室花費的時間存在較大的差異，根據時間差異準則計算出的時間差為1355，但是從異常信息表中發現，該軌跡子段汪強（假名）行走的時間在2019年9月7日為3982秒，另外在其他兩天的行走時間分別為1298秒和1309秒，因此，該段軌跡的異常類別為時間異常。

2.2算法性能比較

我們分別從三個方面對三種算法進行對別，分別是檢率、漏檢率、正確率。得出的結果如表1所示。

通過上表可以發現ZFTRAOD算法比R-TRAOD算法和TRAOD算法性能更好，在正確率上要比其他兩種算法高，在漏檢率和誤檢率上要比其他兩種算法低，因此，表明ZFTRAOD算法不僅可以判別異常軌跡的類型，在性能上也比其他兩種算法好。

將ZFTRAOD算法與其他兩種算法在時間上進行比較，得到的結果見表2，SD1、SD2、SD3分別代表井下瓦檢員的軌跡、安全員的軌跡和系統維護人員的軌跡數據，5990、20366、137731分別代表定位點的個數。通過分析表2我們能發現TRAOD算法的運行時間明顯慢于ZFTRAOD算法，雖然ZFTRAOD算法要比R-TRAOD算法稍慢一些，那是因為ZFTRAOD算法在對軌跡進行判斷的基礎上還要進行軌跡異常類型的判別，因此，從總體來說ZFTRAOD算法的整體性能要優于TRAOD算法和R-TRAOD算法。

3結束語

本文針對井下作業人員的異常軌跡檢測問題，提出了基于離群點的異常軌跡篩選ZFTRAOD算法，利用R-Tree索引來檢索出距離目標子段一定距離內的所有軌跡子段，提升了異常軌?跡的查找效率，利用離群點思想查找鄰域半徑內的軌跡子段的數量和平均時間來判斷軌跡是否異常。該算法在判別軌跡異常類型的基礎上提升了判別準確率，能更加有效地對井下人員的日常軌跡進行分析。

參考文獻：

[1] 盧寧.煤礦安全管理與礦工違章行為進化博弈分析[J].現代經濟信息，2016（22）：75.

[2] 栗繼祖，楊佳麗，弋永杰.礦工違章行為影響因素及防控[J].現代職業安全，2016（10）：111-113.

[3]KnorrE M，Ng R T.Finding intensions knowledge of distance-based outliers[C]//Proceedings of 25th VLDB，Edinburgh，Scotland，1999：211-222.

[4]Knorr E M，Ng R T.Algorithms for mining distance-based outliers in large datasets[C]//Proceedings of 24th VLDB，New York City，1998：392-403.

[5] Knorr E M，Ng R T，TucakovV.Distance-based outliers：algorithms and applications[J].The VLDB Journal，2000，8（3/4）：237-253.

[6] Li X L，Han J W，KimS，etal.ROAM：rule- and motif-based anomaly detection in massive moving object data sets[C]//Proceedings of the 2007 SIAM International Conference on Data Mining.Philadelphia，PA：Societyfor Industrial and AppliedMathematics，2007：273-284.

[7] Lee J G，Han J W，Li X L.Trajectoryoutlier detection：apartition-and-detect framework[C]//2008 IEEE 24th International Conference on Data Engineering.April7-12，2008，Cancun，Mexico.IEEE，2008：140-149.

[8] 王培，江南，萬幼，等.應用Hausdorff距離的時空軌跡相似性度量方法[J].計算機輔助設計與圖形學學報，2019，31（4）：647-658.

[9] 張曉濱，楊東山.基于時間約束的Hausdorff距離的時空軌跡相似度量[J].計算機應用研究，2017，34（7）：2077-2079.

[10] Jiang S Y，Li Q H，Li K L，etal.GLOF：a new approach for mining local outlier[C]//Proceedingsofthe 2003 International Conference on Machine Learning and Cybernetics （IEEE Cat.No.03EX693）.November5-5，2003，Xi'an，China.IEEE，2003：157-162.

【通聯編輯：梁書】