馬 雯

(陜西警官職業(yè)學(xué)院，陜西 西安 710021)

0 引言

我國(guó)正處于從世界大國(guó)向世界強(qiáng)國(guó)的轉(zhuǎn)變階段。隨著城市化進(jìn)程的不斷加速和人民生活水平的大幅提升，人群聚集效應(yīng)愈加明顯，隨之而來(lái)的還有各類(lèi)公共安全風(fēng)險(xiǎn)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(shí)間正值春節(jié)前夕，人員流量大，為疫情防控帶來(lái)了極大的不便。期間，通過(guò)手機(jī)定位技術(shù)查詢(xún)用戶(hù)行動(dòng)軌跡對(duì)疫情防控起到了非常大的幫助作用。截至2019年6月，我國(guó)手機(jī)普及率達(dá)到112.2部/百人，通過(guò)手機(jī)定位采集用戶(hù)位置信息，得到用戶(hù)位置信息等數(shù)據(jù)后，利用大數(shù)據(jù)挖掘技術(shù)對(duì)用戶(hù)定位信息進(jìn)行處理，并過(guò)濾得到有效信息，可提升應(yīng)急救援效率[3-6]。本文從移動(dòng)終端定位技術(shù)研究入手，對(duì)基于移動(dòng)位置信息的適應(yīng)聚類(lèi)方法在公共安全事件應(yīng)急管理中的應(yīng)用進(jìn)行了研究，旨在為公共安全事件應(yīng)急管理效率提升提供技術(shù)和理論支持。

1 基于非均勻稀布陣列的手機(jī)定位方法

諸如小區(qū)識(shí)別碼(cell tower id,Cell-ID)、到達(dá)時(shí)間定位法(time of arrival,TOA)、到達(dá)時(shí)間差定位法(time difference of arrival,TDOA)和到達(dá)角度定位法(angle of arrival,AOA)等基于通信網(wǎng)絡(luò)的手機(jī)定義技術(shù)目前應(yīng)用較多，三個(gè)以上基站協(xié)同作業(yè)便可以完成定位過(guò)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(huì)對(duì)既有基站造成損壞，導(dǎo)致定位不準(zhǔn)確，進(jìn)而影響應(yīng)急搶險(xiǎn)速度、增大應(yīng)急管理難度?；诜蔷鶆蛳〔缄嚵械氖謾C(jī)定位方法作為傳統(tǒng)手機(jī)定位技術(shù)的補(bǔ)充，具備探測(cè)微弱手機(jī)信號(hào)的能力。多個(gè)手機(jī)定位時(shí)，無(wú)需信號(hào)配對(duì)就能實(shí)現(xiàn)高精度、高分辨率的手機(jī)定位?；诜蔷鶆蛳〔缄嚵械氖謾C(jī)定位方法如圖1所示[8]。

圖1 基于非均勻稀布陣列的手機(jī)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(tái)車(chē)載形式的陣列完成手機(jī)定位，具有機(jī)動(dòng)能力強(qiáng)、陣列展開(kāi)方便等優(yōu)勢(shì)。相比傳統(tǒng)的手機(jī)定位技術(shù)，它能大大縮短手機(jī)定位時(shí)間。車(chē)載陣列采用十米級(jí)小孔徑稀布陣，兩臺(tái)車(chē)共同組成大孔徑稀布陣，以完成高精度、高分辨率的手機(jī)定位技術(shù)。

基于非均勻稀布陣列的手機(jī)定位原理如圖2所示。

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

假設(shè)待定位手機(jī)信號(hào)位于位置T處，共有m個(gè)天線(xiàn)接收來(lái)自信號(hào)源T的電磁信號(hào)，選擇第一陣元所在位置為原點(diǎn)，以所有陣元所在直線(xiàn)為x軸，建立坐標(biāo)系。其中，θi和Ri分別為信號(hào)源T與第i個(gè)陣元之間的方位角和距離。假設(shè)射線(xiàn)OT以逆時(shí)針?lè)较蛐D(zhuǎn)至坐標(biāo)軸Y所掃過(guò)的角度為正方位角，可得手機(jī)信號(hào)空間譜P(R,θ)的計(jì)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(jī)信號(hào)空間譜的峰值，與此對(duì)應(yīng)的掃描距離和方位即為陣列與手機(jī)間的距離R和方位角θ。

2 基于移動(dòng)位置信息的自適應(yīng)聚類(lèi)方法

2.1 自適應(yīng)聚類(lèi)方法介紹

分析基于非均勻稀布陣列的手機(jī)定位方法可知，由于搜索所得的手機(jī)信號(hào)數(shù)據(jù)量大，傳統(tǒng)的數(shù)據(jù)處理方法無(wú)法滿(mǎn)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(dòng)位置信息的自適應(yīng)聚類(lèi)方法[9]。

手機(jī)定位的空間位置數(shù)據(jù)存在維度高、非線(xiàn)性和稀疏性等特點(diǎn)，上述算法對(duì)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(yīng)用空間聚類(lèi)(density-based spatial clusterting of applications with noise,DBSCAN)算法的基礎(chǔ)上進(jìn)行改進(jìn)，提出了基于密度的自適應(yīng)噪聲應(yīng)用空間聚類(lèi)(self adaptive density-based spatial clusterting of applications with noise,SA-DBSCAN)算法。改進(jìn)后的算法能借助于算法本身對(duì)數(shù)據(jù)集的分析完成參數(shù)的統(tǒng)計(jì)。聚類(lèi)過(guò)程中盡可能減少人工干預(yù)，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(diǎn)、邊界點(diǎn)和噪聲點(diǎn)如圖3所示。

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

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

假設(shè)有數(shù)據(jù)對(duì)象p，定義NEps(p)為數(shù)據(jù)對(duì)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(duì)象p和對(duì)象q之間的距離。

給定整數(shù)minPts。當(dāng)對(duì)象p的Eps鄰域內(nèi)的對(duì)象滿(mǎn)足NEps(p)≥minPts，則稱(chēng)對(duì)象p為(Eps,minPts)條件下的核心點(diǎn)，落在任意核心點(diǎn)的Eps鄰域內(nèi)對(duì)象稱(chēng)為邊界點(diǎn)，此外稱(chēng)之為噪聲點(diǎn)。

2.3 改進(jìn)后的SA-DBSCAN算法介紹

DBSCAN算法的核心在于確定兩個(gè)常數(shù)Eps和minPts。改進(jìn)后的算法通過(guò)對(duì)原有數(shù)據(jù)的分析和計(jì)算，自動(dòng)獲得這兩個(gè)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(gè)元素指D中對(duì)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(duì)象與其最近的第(k-1)個(gè)對(duì)象(k為列下標(biāo))的距離集合。當(dāng)k=1時(shí)，無(wú)第(k-1)個(gè)對(duì)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(duì)象k與鄰近距離集合。

以常見(jiàn)的概率分布為例，并以當(dāng)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(guò)繪圖得到minPts=k的值。其概率分布公式為：

(5)

(6)

通過(guò)擬合便可獲得：

(7)

3 具體應(yīng)用

3.1 應(yīng)用流程

手機(jī)定位本身存在一定的誤差，數(shù)據(jù)采集和人為干擾會(huì)導(dǎo)致手機(jī)定位信息誤差的增大。根據(jù)前文所述，選擇自適應(yīng)聚類(lèi)方法去處理位置數(shù)據(jù)是適當(dāng)?shù)?。利用定位信息中距離數(shù)據(jù)的緩變性，自適應(yīng)地形成聚類(lèi)算法的分類(lèi)閾值，以進(jìn)一步提高聚類(lèi)精度，為實(shí)現(xiàn)更精準(zhǔn)的公共安全事件應(yīng)急管理提供便利?；谝苿?dòng)位置信息的自適應(yīng)聚類(lèi)算法應(yīng)用流程如圖4所示。

圖4 基于移動(dòng)位置信息的自適應(yīng)聚類(lèi)算法應(yīng)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(duì)手機(jī)進(jìn)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(duì)待定位手機(jī)距離和方向的定位，設(shè)置位置信息的閾值初始值。③利用Euclidean Metric原理計(jì)算待定位手機(jī)的位置信息及相似度。④根據(jù)上述計(jì)算所得的閾值、相似度及距離等信息，得到位置信息的聚類(lèi)。⑤依據(jù)第二章節(jié)所述聚類(lèi)算法，經(jīng)過(guò)算法自適應(yīng)調(diào)整位置信息，并統(tǒng)計(jì)聚類(lèi)后的位置信息相似值得均值，當(dāng)均值小于距離或方位的閾值時(shí)，完成預(yù)分選，否則重復(fù)第③～第⑤步，直至滿(mǎn)足完成與分選的條件。⑥根據(jù)分類(lèi)提取的知識(shí)，提出并執(zhí)行公共安全事件應(yīng)急管理措施。

3.2 應(yīng)用效果

以某次A城市地震災(zāi)害搜救過(guò)程為例。在該次地震搜救過(guò)程中，采用的是4個(gè)車(chē)載基站，搜救范圍為一個(gè)倒塌的樓房，范圍不超過(guò)5 km，故將搜救半徑設(shè)定為5 km。

定位信息及其聚類(lèi)結(jié)果如圖5所示。

圖5 定位信息及其聚類(lèi)結(jié)果Fig.5 Location information and clustering results

改進(jìn)后的SA-DBSCAN算法能夠根據(jù)數(shù)據(jù)集中的密度進(jìn)行數(shù)據(jù)的簇劃分，進(jìn)而實(shí)現(xiàn)本文所述的Eps和minPts兩個(gè)參數(shù)的取值。運(yùn)算時(shí)間及聚類(lèi)準(zhǔn)確度統(tǒng)計(jì)如表1所示。

表1 運(yùn)算時(shí)間及聚類(lèi)準(zhǔn)確度統(tǒng)計(jì)Tab.1 Operation time and clustering accuracy statistics

由表1可見(jiàn)，當(dāng)兩種聚類(lèi)算法的Eps和minPts兩個(gè)參數(shù)取相同值時(shí)，改進(jìn)后的SA-DBSCAN算法所需運(yùn)算時(shí)間更短，且所得的結(jié)果相較于DBSCAN算法有更高的精度。

4 結(jié)論

城市化帶來(lái)越來(lái)越密集的人群聚集，公共安全事件應(yīng)急管理越來(lái)越受到民眾的關(guān)注，同時(shí)它對(duì)政府職能部門(mén)應(yīng)急管理能力也提出了諸多要求。信息化的快速發(fā)展為應(yīng)急救援和應(yīng)急管理帶來(lái)了新機(jī)遇，借助于大數(shù)據(jù)分析等技術(shù)，不僅有助于事前公共安全事件的預(yù)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(cái)產(chǎn)損失。當(dāng)前，云大物移智已經(jīng)走進(jìn)我們的生活，應(yīng)用新技術(shù)建立更加智能的應(yīng)急管理系統(tǒng)，更有助于提升職能部門(mén)應(yīng)急管理能力。