面向智慧机场的移动对象轨迹分析研究

Smart airport is inevitable to the airport information development. Effective trajectories analysis method for airport moving objects including vehicles and airport passengers is one of the key factors for the success of the smart airport. In order to meet the needs of the smart airport, the project will research the core trajectories analysis methods including clustering, anomaly detection and periodic pattern for moving objects. The clustering algorithm is inefficient for the spatial index cannot be applied to neighborhood query in trajectories clustering period. For better performance and scalability, the representative line is introduced to trajectory clustering, and which uses a certain number of representative lines to represent the characteristics of a line clustering approximately. The clustering of the line segments can be implemented by the classification of reference lines. In order to reduce the trajectory clustering results sensitivity to the specified parameter value, the range-like parameter is brought forward, which is not a specific parameter value, but a range. According to the consistency problem with the current cluster validity index, a comprehensive index is proposed based on non-euclidean distance metric, and in which both compactness intra-cluster and separation inter-cluster restrict each other. For the abnormal sub-trajectory cannot be detected from the local dense trajectories in the current anomaly detection stage, a new two-phase trajectory anomaly detection scheme is put forward, which contains coarse detection and fine detection. A robust periodic pattern mining method for moving objects is introduced based on pattern similarity factor which can be used to noise reduction. The research results can provide the theoretical basis for the smart airport construction.

智慧机场是机场信息化发展的必然趋势。机场旅客、车辆等移动对象有效的分析方法是成功构建智慧机场的关键因素之一。本项目针对智慧机场拟探索其移动对象轨迹聚类、异常检测和周期模式发现等分析方法。针对轨迹聚类阶段空间索引不能应用于线段的邻域查询，导致算法效率低下，提出用代表线段近似表示聚类区域的几何特征，通过对代表线段的分类来实现对线段的聚类。为降低轨迹聚类结果对输入参数的敏感性，提出范围参数的思路，参数不再依赖某个值，而是取决于一个范围，解决聚类结果对某个具体参数值的依赖。针对聚类有效性度量存在的一致性问题，提出一种基于非欧距离度量的、紧致度和分离度二者相互制约的综合性度量指标。针对轨迹异常检测中，不能从局部的、稠密的轨迹中检测出异常子轨迹的缺陷，探索一种粗细两阶段轨迹异常检测方案。为降低噪音的影响，引入了模式相似度，提出一种健壮的移动对象周期模式挖掘方法。研究成果可为智慧机场建设提供理论基础。

本项目侧重于对机场移动对象感知数据的分析，挖掘移动对象的规律，揭示移动对象的行为动机，提升机场的安全防范。针对智慧机场，研究了移动对象轨迹聚类、轨迹异常检测和轨迹周期模式发现等方法，提出了一系列理论和分析技术。. 本项目解决了移动对象轨迹聚类、异常轨迹检测和轨迹模式挖掘的理论和算法问题。在移动对象轨迹聚类方面，提出了一种高效的移动对象轨迹聚类算法。该算法首先根据轨迹划分的线段集合，寻找可以反映轨迹数据几何特征的代表线段；建立代表线段与其代表区域内线段的映射，对代表线段进行分类，这样每一类代表线段构成了一个聚类的基本信息，然后根据轨迹势阈值条件实现线段聚类，实验结果表明该算法均优于目前同类算法。大多数聚类算法在聚类过程中要求输入一些预定参数，而聚类结果往往对这些参数非常敏感，参数选择不当，将会造成聚类质量的下降，然而参数的确定往往依靠经验。我们提出了子轨迹在其邻域内的可达距离概念，建立了一个宽广的参数范围，参数不再依赖某个值，只要这个参数在该范围内取值，对聚类结果就没有影响或影响甚微，从而达到聚类结果对输入参数弱敏感性的目的。对轨迹聚类效果评价方面，提出了一种紧致度和分离度相互结合的有效性指标，二通过相互制约达到平衡。在轨迹异常检测方面，首先将每条轨迹划分为粗粒度线段集合，选出可能存在异常的子轨迹线段，然后再将可疑粗粒度轨迹按细粒度划分并检测，这种分而治之的“粗-细两阶段”策略通过缩小检测范围，提高了算法效率。通过轨迹模式相似度模式匹配，实现了频繁周期模式挖掘。. 本项目的研究成果有助于深入分析移动对象的特征，为机场候机厅行人轨迹分析、异常行人轨迹特征刻画等均提供了重要的技术支撑，为智慧机场建设提供了重要的理论基础。