一种基于时空序列的大型活动突发事件预测分层架构和方法技术

本发明专利技术公开了一种基于时空序列的大型活动突发事件预测分层架构和方法，属于大数据分析管理领域，本发明专利技术将已有的结果数据纳入到统一的活动时空序列模型中，尽可能综合大型活动物理及网络空间全面的信息，构建特定场所历史活动时空大数据集合，通过观察研究同一地点、不同活动、不同时间的历史数据规律，实现对正在举办活动可能出现的突发事件进行宏观全面预测。时空序列模型按时间及空间对数据空间的划分，不仅大大减少了数据查询及分析等操作所涉及的数据量，而且划分后的数据更具有特定时间及区域的时空特性，使得突发事件决策层的监测数据分析更加精确可靠。

【技术实现步骤摘要】
一种基于时空序列的大型活动突发事件预测分层架构和方法
本专利技术属于大数据分析管理领域，涉及历史物联网感知数据监测成果集成预测架构，以及基于该架构的大型活动突发事件预测方法。
技术介绍
大型活动突发事件具有偶发性、不确定性、动态性、混沌效应等特点，这使得传统上对突发事件预测难度很大。近年来，随着云计算、大数据等信息化产业的发展，视频监控、人脸识别、人群密度分析、导航定位等技术得到了广泛的研究和应用，积累了海量的时空监测数据，这些数据为突发事件预测提供了良好的基础，使得通过大数据挖掘分析来实现突发事件预测成为可能。由于活动场馆本身的物理不变性，特定场馆举办的历届大型活动，其时空环境、人员活动等数据本身具有一定的特征和规律，因此，基于特定场馆历史举办活动所积累的观测数据来预测突发事件是否会发生成为可能。例如，在较长时间内，场所位置、周边环境、内部结构、道路特点等空间环境因素基本不变；相同类型活动(如，均为演唱会或足球比赛等)的日程具有相似性(如，活动准备、入场、进行、结束、退场等阶段)等，这些数据的规律性为突发事件预测提供很好的数据挖掘分析条件。当前，采用历史时空数据进行特定领域、特定微观事件的突发事件预测已有较多相关研究成果，例如交通拥堵判别、人群密度检测、个体群体识别、异常行为检测等。这些研究成果的输出结果多为属性标签，每个成果一般是针对特定目标任务完成分类判别。这些成果都可以单独应用到大型活动的监测与追踪上。例如，将人群密度监测可以部署应用在活动出入口、过道、座位监测上，用以监测不同地点人群密度随活动开展的变化。通过场馆部署的监测装置对特定个体(如嫌疑人)进行识别，出现高风险个体出现的活动区域，其突发事件风险自然较高。针对微博、微信、头条等有关活动热点话题、热点事件的追踪也有助于评判活动突发事件存在的风险。这些独立的研究成果经过实验和实际验证，都可以单独应用到大型活动突发事件的监测上，但是，任何一个单独的判断都难以断定是否会有突发事件发生。将已有的针对特定问题、特定切面的研究成果综合应用到突发事件预测上，对于已有成果的实际运用有极高价值。综上，本专利技术将已有相关研究成果的结果输出数据纳入到统一的活动突发事件预测分层架构中，为特定场所构建预测模型，包括传感器层、活动数据采集层、时空数据处理层、突发事件决策层；通过挖掘特定场所历史活动时空数据的内在关联与规律，实现对该场所正在举行活动的突发事件预测。
技术实现思路
本专利技术提出了一种基于时空序列的大型活动突发事件预测的分层架构及预测方法。图1为活动突发事件预测总体架构。该架构分为：传感器层、活动数据采集层、时空数据处理层、突发事件决策层。首先，传感器层获取各类传感器产生的活动感知数据。其次，活动数据采集层将频繁采集上传的传感器层数据作为输入，构建时空序列模型，对活动进行特定领域、特定小粒度事件的预测：将各种用于活动监测的研究算法统一抽象为“逻辑传感器”(图1中A1-An)，与实体的“物理传感器”(图1中S1-Sn)共同产生监测数据。再次，时空数据处理层接入产生的监测数据，根据活动观测记录在时间及空间方面的特点，对监测数据空间进行有效地划分，形成时空序列，并将其存放到历史数据库中。最后，突发事件决策层基于活动数据采集层的实时监测数据，以及历史数据库挖掘分析结果数据，通过时空情景相似性度量及突发事件预测算法，实现对当前活动未来时间段内突发事件的预测。(1)传感器层在传感器层中，采样数据是以感知设备为单位进行组织，同一个感知设备的所有采样数据按照时间序列组织在一起，并存放在本地该感知设备的数据记录中。通过无线传感网络汇总的数据、通过互联网数据分析导出的数据、互联网社交媒体数据、通过人工系统录入的事件数据均可以视为感知采样数据。各类感知设备的单个采样值分为两大类，即数值型采样值和多媒体采样值。例如，温度传感器、GPS传感器、RFID传感器等所采集的数据为数值型采样值，视频监控图像、高空及地质勘探遥感图像、音频监测信号等为多媒体采样值。(2)活动数据采集层采用活动数据采集层对研究成果进行集成。从公开发表的研究算法输出来看，其输出结果均可用一些属性来描述(如，人群识别分类输出表示为一个分类属性)，这些输出的属性标签则可以作为活动数据采集层的输入。在活动数据采集层中，将传感器分为物理传感器和逻辑传感器，并将两类传感器统称为“监控项目”。物理传感器为部署在活动场馆中的实体传感器(例如：温度、压力GPS等数值型采样传感器)，逻辑传感器为已公开发表并将部署于活动实际场景中的研究算法(例如：交通拥堵判别算法、人群密度检测算法、个体群体识别算法、异常行为检测算法等)。对产生的某场所历届大型活动的感知数据建立时空序列模型，下文将对时空序列模型进行详细阐述。a)时空序列模型时空序列模型为六元组M＝<G,S,T,H,fw,fR>。G为某场所历届大型活动的感知数据空间，表示为：G＝{G0,G2,...,Gn}其中，n为活动举办次数，任意一次活动Gi则表示某次历史活动的感知数据集。活动感知数据空间G由监控项目的监控属性采集值构成。用S来表示被部署在活动实际场景中的监控项目，在k个监控项目中，任意一个监控项目Si由m个监测属性组成，表示如下：其中，xij为监测项目Si的第j个监测属性。用上标t表示时间点，h表示观测区域，因此，一个活动某观测区域h所有监控项目的一次采集数据(一个时空情景)Gith表示为：Gith＝{S1th,S2th,…,Skth}＝{{x11th,x12th,…,x1mth},…,{xk1th,xk2th,…,xkmth}}其中，t∈T，T为观测时间集合；h∈H，H为活动观测区域集合。假设不同监控项目的监测属性本质不能相同，则Gith简化为下式：Gith＝{x1th,x2th,…,xnth}＝∪x∈Gival(x,t,h)其中，val(x,t,h)表示x属性在t时刻h区域的值。fw和fR为G上的两个函数，给定一个活动g0，令t0为当前时刻，h0为活动某监控区域，fw(g0,t0,h0)则返回g0在时刻t0区域h0的感知数据经时空划分后所处时间窗口。则突发事件预测问题可被定义为：fR(G,g0,t0)→p,p∈[0,1]活动感知数据以所有监控项目的一次采集(即一个“时空情景”)为单位进行组织，每次采集对应于一条数据记录，该记录还包含有原始采样记录的采集地址及时间，使得时空数据处理层在进行时空划分时可以尽可能考虑活动数据的时空特性。该所有监控项目的历次采集数据形成时间序列，如图2所示。在图2中，节点表示一次采集的监测数据Gith，不同样式表示不同活动，称该序列为“原始时空情景时间序列”。该序列可表达为：(3)时空数据处理层在时空数据处理层中，活动采集的实时数据不仅被输入到突发事件决策层，以进行当前活动的决策，同时也将存储于历史数据库，用于以后活动突发事件的预测。<本文档来自技高网...

【技术保护点】
1.一种基于时空序列的大型活动突发事件预测的分层架构，其特征在于：该架构分为传感器层、活动数据采集层、时空数据处理层、突发事件决策层；传感器层获取各类传感器产生的活动感知数据；活动数据采集层将频繁采集上传的传感器层数据作为输入，构建时空序列模型，对活动进行特定领域、特定小粒度事件的预测：将各种用于活动监测的研究算法统一抽象为“逻辑传感器”，与实体的“物理传感器”共同产生监测数据；时空数据处理层接入产生的监测数据，根据活动观测记录在时间及空间方面的特点，对监测数据空间进行有效地划分，形成时空序列，并将其存放到历史数据库中；突发事件决策层基于活动数据采集层的实时监测数据，以及历史数据库挖掘分析结果数据，通过时空情景相似性度量及突发事件预测算法，实现对当前活动未来时间段内突发事件的预测。/n

【技术特征摘要】
1.一种基于时空序列的大型活动突发事件预测的分层架构，其特征在于：该架构分为传感器层、活动数据采集层、时空数据处理层、突发事件决策层；传感器层获取各类传感器产生的活动感知数据；活动数据采集层将频繁采集上传的传感器层数据作为输入，构建时空序列模型，对活动进行特定领域、特定小粒度事件的预测：将各种用于活动监测的研究算法统一抽象为“逻辑传感器”，与实体的“物理传感器”共同产生监测数据；时空数据处理层接入产生的监测数据，根据活动观测记录在时间及空间方面的特点，对监测数据空间进行有效地划分，形成时空序列，并将其存放到历史数据库中；突发事件决策层基于活动数据采集层的实时监测数据，以及历史数据库挖掘分析结果数据，通过时空情景相似性度量及突发事件预测算法，实现对当前活动未来时间段内突发事件的预测。


2.根据权利要求1所述的一种基于时空序列的大型活动突发事件预测的分层架构，其特征在于：在传感器层中，采样数据是以感知设备为单位进行组织，同一个感知设备的所有采样数据按照时间序列组织在一起，并存放在本地该感知设备的数据记录中；通过无线传感网络汇总的数据、通过互联网数据分析导出的数据、互联网社交媒体数据、通过人工系统录入的事件数据均视为感知采样数据；各类感知设备的单个采样值分为两大类，即数值型采样值和多媒体采样值。


3.根据权利要求1所述的一种基于时空序列的大型活动突发事件预测的分层架构，其特征在于：采用活动数据采集层对研究成果进行集成，在活动数据采集层中，将传感器分为物理传感器和逻辑传感器，并将两类传感器统称为“监控项目”；物理传感器为部署在活动场馆中的实体传感器。


4.利用权利要求1所述分层架构进行的一种基于时空序列的大型活动突发事件预测方法，其特征在于：对产生的历届大型活动的感知数据建立时空序列模型，
时空序列模型为六元组M＝＜G，S，T，H，fw，fR＞；
G为历届大型活动的感知数据空间，表示为：
G＝{G0，G2，...，Gn}
其中，n为活动举办次数，任意一次活动Gi则表示历史活动的感知数据集；
活动感知数据空间G由监控项目的监控属性采集值构成；用S来表示被部署在活动实际场景中的监控项目，在k个监控项目中，任意一个监控项目Si由m个监测属性组成，表示如下：



其中，xij为监测项目Si的第j个监测属性；
用上标t表示时间点，h表示观测区域，一个活动某观测区域h所有监控项目的一次采集数据Gith表示为：
Gith＝{S1th，S2th，...，Skth}＝{{x11th，x12th，...，x1mth}，...，{xk1th，xk2th，...，xkmth}}
其中，t∈T，T为观测时间集合；h∈H，H为活动观测区域集合；
假设不同监控项目的监测属性本质不能相同，则Gith简化为下式：
Gith＝{x1th，x2th，...，xnth}＝Ux∈Gival(x，t，h)
其中，val(x，t，h)表示x属性在t时刻h区域的值；
fw和fR为G上的两个函数，给定一个活动g0，令t0为当前时刻，h0为活动某监控区域，fw(g0，t0，h0)则返回g0在时刻t0区域h0的感知数据经时空划分后所处时间窗口；
则突发事件预测问题被定义为：
fR(G，g0，t0)→p，p∈[0，1]
活动感知数据以所有监控项目的一次采集为单位进行组织，每次采集对应于一条数据记录，数据记录还包含有原始采样记录的采集地址及时间，使得时空数据处理层在进行时空划分时考虑活动数据的时空特性；所有监控项目的历次采集数据形成时间序列；
节点表示一次采集的监测数据Gith，不同样式表示不同活动，称该序列为“原始时空情景时间序列”，表达为：



在时空数据处理层中，活动采集的实时数据不仅被输入到突发事件决策层，以进行当前...

【专利技术属性】
技术研发人员：丁治明，赵紫琳，曹阳，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11