潘新龍 程學(xué)旗 王海鵬 何友 李敏波

1. 海軍航空大學(xué)信息融合研究所山東煙臺(tái)264001 2. 中國科學(xué)院計(jì)算技術(shù)研究所網(wǎng)絡(luò)數(shù)據(jù)科學(xué)與技術(shù)重點(diǎn)實(shí)驗(yàn)室北京100090 3. 復(fù)旦大學(xué)軟件學(xué)院上海200433

隨著信息融合理論的不斷完善和信息融合技術(shù)在預(yù)警監(jiān)視領(lǐng)域的廣泛應(yīng)用, 預(yù)警監(jiān)視系統(tǒng)經(jīng)過檢測(cè)級(jí)、位置級(jí)和屬性級(jí)融合過程,可以自動(dòng)或半自動(dòng)地完成對(duì)目標(biāo)的檢測(cè)、跟蹤、航跡關(guān)聯(lián)、屬性判決,形成連續(xù)穩(wěn)定的目標(biāo)航跡[1?2],大大減輕了值班人員的工作量, 大幅提升了目標(biāo)情報(bào)處理的效率和質(zhì)量.隨著目標(biāo)種類、數(shù)量的不斷增多和預(yù)警監(jiān)視系統(tǒng)性能的不斷提升, 越來越多的目標(biāo)數(shù)據(jù)形成并存在于各級(jí)情報(bào)處理系統(tǒng)和指揮信息系統(tǒng)中, 需要情報(bào)處理人員全天不間斷地對(duì)大量目標(biāo)數(shù)據(jù)進(jìn)行監(jiān)視與分析判斷,從而發(fā)現(xiàn)其中感興趣和有威脅的目標(biāo).在情報(bào)處理過程中, 有經(jīng)驗(yàn)的情報(bào)處理人員通過總結(jié)目標(biāo)活動(dòng)規(guī)律和實(shí)時(shí)目標(biāo)信息, 完成對(duì)目標(biāo)行為的分析,從而為指揮決策提供支撐. 通過人工方式對(duì)目標(biāo)行為進(jìn)行分析, 需要情報(bào)處理人員持續(xù)專注的精力和不斷增長(zhǎng)的經(jīng)驗(yàn)知識(shí), 具有很大的局限性. 因此,從信息融合領(lǐng)域和數(shù)據(jù)挖掘領(lǐng)域的交叉點(diǎn)入手[3?5],研究基于航跡數(shù)據(jù)挖掘的目標(biāo)行為分析技術(shù), 使系統(tǒng)高效、自動(dòng)、智能地完成對(duì)目標(biāo)行為的分析,可以為高層信息融合理論的完善和預(yù)警監(jiān)視領(lǐng)域情報(bào)處理智能化水平的提高提供理論和技術(shù)支撐, 對(duì)于減輕值班人員工作壓力、提高情報(bào)處理的效率和質(zhì)量,以及智能地完成態(tài)勢(shì)評(píng)估、威脅估計(jì)和輔助指揮決策[6?7],都具有非常重大的理論和現(xiàn)實(shí)意義.

基于航跡數(shù)據(jù)挖掘的目標(biāo)行為智能分析技術(shù)主要包括: 目標(biāo)行為規(guī)律挖掘、目標(biāo)異常行為檢測(cè)、目標(biāo)行為模式在線分類和目標(biāo)異常行為實(shí)時(shí)檢測(cè)問題.目標(biāo)行為規(guī)律挖掘和目標(biāo)異常行為檢測(cè)是對(duì)目標(biāo)行為的離線分析; 目標(biāo)行為模式在線分類和目標(biāo)異常行為實(shí)時(shí)檢測(cè)是對(duì)目標(biāo)行為的在線分析.

1 目標(biāo)行為規(guī)律挖掘

1.1 問題描述

目標(biāo)行為規(guī)律是指目標(biāo)在以往執(zhí)行具體任務(wù)時(shí)表現(xiàn)出來的相似或相同的行為特征. 如目標(biāo)在以往執(zhí)行偵察任務(wù)時(shí)的相同或相似的航線、速度、航向等行為特征. 在信息融合領(lǐng)域,基于預(yù)警監(jiān)視系統(tǒng)中積累的大量歷史目標(biāo)航跡數(shù)據(jù), 利用數(shù)據(jù)挖掘技術(shù)中的無監(jiān)督聚類技術(shù), 通過對(duì)目標(biāo)航跡數(shù)據(jù)的聚類分析,可以挖掘出目標(biāo)的行為規(guī)律.

1.2 研究現(xiàn)狀

國內(nèi)外很多學(xué)者在時(shí)間序列聚類和軌跡聚類方面進(jìn)行了大量的研究.Liao 對(duì)時(shí)間序列聚類的概念、距離度量、聚類算法、評(píng)估方法和應(yīng)用領(lǐng)域進(jìn)行了總結(jié)概括[8]. Berkhin 對(duì)數(shù)據(jù)挖掘領(lǐng)域中不同的聚類技術(shù)進(jìn)行了概述[9]. Jeung 等利用軌跡數(shù)據(jù)來分析運(yùn)動(dòng)目標(biāo)的行為模式[10]. 鄭宇研究員系統(tǒng)地闡述了軌跡數(shù)據(jù)挖掘的相關(guān)研究和技術(shù), 分析了現(xiàn)有相關(guān)技術(shù)之間的關(guān)系和差異,并提供了一些公共數(shù)據(jù)集[11].Gaffney 等提出了一種基于模型的軌跡聚類方法[12].Zhang 等對(duì)用于室外監(jiān)控場(chǎng)景中的軌跡聚類的不同相似性度量進(jìn)行了比較分析[13]. Dahlbom 等提出了一種基于樣條的軌跡聚類方法, 并用于沿海監(jiān)測(cè)場(chǎng)景[14]. Lee 等提出了一種基于劃分- 合并框架和幾何距離度量的子軌跡聚類算法[15]. Morris and Trivedi通過實(shí)驗(yàn)評(píng)估了軌跡聚類的不同相似性度量和聚類算法的性能[16]. Atev 等提出了一種基于Haudorff距離作為相似性度量的車輛軌跡聚類算法[17]. Frank 提出了一種基于點(diǎn)對(duì)齊的軌跡聚類方法, 并通過軌跡聚類分析挖掘出飛機(jī)的正常飛行航線[18]. Gariel 等提出了一種基于最長(zhǎng)公共子序列的軌跡聚類框架,并用于對(duì)飛行器的監(jiān)控[19]. Yuan 等通過利用軌跡段的方向、速度和角度信息構(gòu)造的相似性度量實(shí)現(xiàn)對(duì)軌跡段的聚類分析[20]. Debnath 等提出了一種基于空間和非空間特征組合的子軌跡聚類算法[21]. Hao 等提出了一種基于長(zhǎng)尺度Hausdorff距離的軌跡聚類算法[22]. Wu 等提出了一種基于空間位移距離和時(shí)間速度距離的K 均值軌跡聚類算法[23]. Bermingham 等通過計(jì)算N維最小邊界框來對(duì)軌跡進(jìn)行聚類分析[24].王超等提出了一種基于改進(jìn)的模糊C-Means 航跡聚類方法[25]. 徐濤等提出了一種基于航跡點(diǎn)法向距離的航跡聚類方法, 對(duì)進(jìn)離場(chǎng)的飛機(jī)航跡進(jìn)行聚類分析[26]. 陳勇研究員提出了一種以航跡線段作為研究對(duì)象的目標(biāo)航跡數(shù)據(jù)聚類挖掘分析方法, 用于發(fā)現(xiàn)目標(biāo)的潛在運(yùn)動(dòng)軌跡[27]. 肖瀟等提出了一種基于船舶自動(dòng)識(shí)別系統(tǒng)(automatic identificatio system,AIS)信息的船舶軌跡聚類模型, 從而獲得反映船舶行為規(guī)律有效的、潛在的信息[28]. 潘新龍等提出了一種基于多維航跡密度聚類的目標(biāo)行為規(guī)律挖掘方法,可以在考慮目標(biāo)的屬性、類型、位置、速度和航向等多維特征的基礎(chǔ)上,挖掘出目標(biāo)的行為規(guī)律[29].

盡管軌跡聚類研究取得的成果比較豐富, 但是應(yīng)用于目標(biāo)行為規(guī)律挖掘方面仍存在一些問題, 主要包括:

1)如何通過定義最恰當(dāng)?shù)哪繕?biāo)間距離來構(gòu)造目標(biāo)行為相似性度量;

2)如何設(shè)計(jì)考慮時(shí)間、空間、速度、方向和身份等綜合約束的聚類算法;

3)由于航跡數(shù)據(jù)的復(fù)雜特征, 需要更加高效的聚類方法挖掘目標(biāo)的潛在規(guī)律.

2 目標(biāo)異常行為檢測(cè)

2.1 問題描述

異常點(diǎn)檢測(cè)是數(shù)據(jù)挖掘研究的一個(gè)熱點(diǎn)方向,異常點(diǎn)是指在數(shù)據(jù)集中偏離其他絕大部分?jǐn)?shù)據(jù)的那些數(shù)據(jù),這些數(shù)據(jù)偏離得如此顯著,使人懷疑這種偏離并非是隨機(jī)產(chǎn)生,而是產(chǎn)生于完全不同的機(jī)制[30].在目標(biāo)行為分析領(lǐng)域, 目標(biāo)異常行為檢測(cè)就是找出偏離其周圍目標(biāo)運(yùn)動(dòng)規(guī)律,達(dá)到一定程度的目標(biāo).如:目標(biāo)在執(zhí)行具體任務(wù)時(shí)偏離航線、違背航向、速度過快、速度過慢、突然停止等行為特征. 在空情方面,可以與入侵、投誠、叛逃、墜機(jī)、迷航、遇險(xiǎn)、故障等異?？涨橄鄬?duì)應(yīng).通過對(duì)目標(biāo)航跡數(shù)據(jù)的異常檢測(cè),可挖掘出目標(biāo)的異常行為.

2.2 研究現(xiàn)狀

國外一些學(xué)者在異常檢測(cè)和軌跡異常檢測(cè)方面進(jìn)行了大量的研究.Chandola 等對(duì)異常檢測(cè)技術(shù)、分類、應(yīng)用范圍和優(yōu)缺點(diǎn)進(jìn)行了全面的概述[31?32]. 現(xiàn)有異常檢測(cè)方法可以分為基于密度的異常檢測(cè)、基于距離的異常檢測(cè)、基于統(tǒng)計(jì)的異常檢測(cè)、基于深度的異常檢測(cè)和基于偏離的異常檢測(cè)等. 軌跡異常檢測(cè)屬于軌跡數(shù)據(jù)挖掘技術(shù)的重要研究?jī)?nèi)容. 現(xiàn)有軌跡異常檢測(cè)方法可以分為基于抽取軌跡全局特征的方法、基于分類器的方法和基于點(diǎn)集(軌跡片段)相似度檢測(cè)的方法等. Lee 等利用軌跡分區(qū)的思想構(gòu)造檢測(cè)框架,設(shè)計(jì)了一種雙層軌跡分割策略,利用基于距離和密度混合的異常檢測(cè)算法, 實(shí)現(xiàn)對(duì)異常軌跡的檢測(cè)[33]. Li 等首先抽取典型特征構(gòu)造層次特征空間, 在不同層次特征空間中進(jìn)行多粒度的規(guī)則學(xué)習(xí),提出了一種基于規(guī)則學(xué)習(xí)的異常檢測(cè)框架[34].陳剛等提出了一種基于劃分的異常軌跡檢測(cè)算法,通過計(jì)算局部軌跡點(diǎn)之間的匹配程度來探測(cè)異常軌跡[35]. 鮑蘇寧等針對(duì)現(xiàn)有算法不能有效應(yīng)用于多因素軌跡異常檢測(cè)的問題, 提出了基于核主成分分析的異常軌跡檢測(cè)算法[36]. 毛嘉莉等對(duì)異常檢測(cè)和軌跡異常檢測(cè)的定義和各類軌跡異常檢測(cè)的研究現(xiàn)狀進(jìn)行了詳細(xì)的分析描述, 給出了一種軌跡大數(shù)據(jù)異常檢測(cè)框架[37]. 潘新龍等通過構(gòu)造目標(biāo)行為多維度局部異常因子, 提出了一種基于多維航跡特征的異常行為檢測(cè)方法[38].

現(xiàn)有軌跡異常檢測(cè)方法主要通過考慮目標(biāo)間的距離等度量關(guān)系檢測(cè)目標(biāo)的位置異常, 在一定程度上依賴航跡數(shù)據(jù)的距離分辨率和度量尺度. 目標(biāo)異常行為檢測(cè)方法需要進(jìn)一步考慮拓?fù)浣Y(jié)構(gòu)、方向變化、形狀關(guān)系等非度量因素,結(jié)合目標(biāo)的身份、意圖等屬性信息, 高效檢測(cè)出偏離絕大部分行為的異常行為.

3 目標(biāo)行為模式在線分類

3.1 問題描述

利用目標(biāo)行為規(guī)律挖掘技術(shù), 可以從海量的歷史目標(biāo)數(shù)據(jù)中挖掘出目標(biāo)執(zhí)行不同任務(wù)時(shí)的行為特征規(guī)律. 目標(biāo)行為模式是指目標(biāo)在當(dāng)前執(zhí)行具體任務(wù)時(shí)表現(xiàn)出的行為特征. 基于挖掘出的目標(biāo)行為特征規(guī)律和不斷更新的目標(biāo)數(shù)據(jù), 可以利用數(shù)據(jù)挖掘中的軌跡在線分類技術(shù), 將當(dāng)前目標(biāo)航跡分到對(duì)應(yīng)的類中,實(shí)現(xiàn)對(duì)目標(biāo)行為模式的在線分類,這對(duì)于態(tài)勢(shì)評(píng)估、威脅估計(jì)和指揮決策都具有非常重要的意義. 軌跡分類通過對(duì)歷史軌跡特征的訓(xùn)練來預(yù)測(cè)未知軌跡的類型標(biāo)簽.

3.2 研究現(xiàn)狀

國內(nèi)外一些學(xué)者對(duì)軌跡分類進(jìn)行了研究.Owens和Hunter 提出了一種對(duì)視頻監(jiān)控系統(tǒng)中目標(biāo)的運(yùn)動(dòng)模式自動(dòng)分類的方法, 使用自組織特征映射神經(jīng)網(wǎng)絡(luò)的方法學(xué)習(xí)目標(biāo)軌跡特征, 然后對(duì)目標(biāo)的運(yùn)動(dòng)模式進(jìn)行分類[39]. Lee 等通過利用目標(biāo)的區(qū)域特征和軌跡特征構(gòu)造分層的分類框架, 從而對(duì)運(yùn)動(dòng)目標(biāo)的類別進(jìn)行分類預(yù)測(cè)[40]. Nascimento 等使用一個(gè)可切換的動(dòng)態(tài)隱馬爾可夫模型, 在視頻監(jiān)控系統(tǒng)中對(duì)人的軌跡進(jìn)行分類[41]. Lee 等提出了一種基于頻繁模式分類框架的路網(wǎng)軌跡分類方法, 實(shí)現(xiàn)對(duì)路網(wǎng)上目標(biāo)行為模式的在線分類[42]. Bolbol 等基于車載的全球定位系統(tǒng)(global positioning system,GPS)數(shù)據(jù),提出了一種基于支持向量機(jī)的分類框架, 實(shí)現(xiàn)對(duì)目標(biāo)交通行為模式的分類[43]. Nierhoff和Hirche 將軌跡分成更小的軌跡段,對(duì)軌跡段進(jìn)行空間投影降維,構(gòu)造不同維度的相似性度量, 在每個(gè)維度上對(duì)目標(biāo)的行為模式進(jìn)行分類[44]. Pokorny 等提出了一種基于抽樣拓?fù)涞姆诸惙椒? 實(shí)現(xiàn)對(duì)目標(biāo)軌跡的自動(dòng)推理分類[45]. 潘奇明利用K 均值聚類和改進(jìn)的隱馬爾可夫模型對(duì)運(yùn)動(dòng)目標(biāo)的軌跡進(jìn)行分類與識(shí)別[46]. 曲琳等針對(duì)智能視覺監(jiān)控系統(tǒng)中的運(yùn)動(dòng)目標(biāo)軌跡分類問題,提出了一種基于Hausdorff距離的軌跡分類算法[47].魏龍翔等基于軌跡的位置信息和方向信息, 提出了一種結(jié)合Hausdorff距離和最長(zhǎng)公共子序列的軌跡分類算法[48]. 朱進(jìn)等在總結(jié)現(xiàn)有軌跡分類方法的基礎(chǔ)上, 提出了一種基于移動(dòng)對(duì)象運(yùn)動(dòng)特征的軌跡分類方法,并在船舶、野生動(dòng)物和颶風(fēng)數(shù)據(jù)集上進(jìn)行了分類實(shí)驗(yàn)[49]. 潘新龍等通過構(gòu)造一致性多類分類器,提出了一種基于一致性多類分類的目標(biāo)航跡在線分類方法,實(shí)現(xiàn)對(duì)目標(biāo)行為模式的在線分類[50].

通過對(duì)目標(biāo)航跡數(shù)據(jù)的訓(xùn)練學(xué)習(xí), 可以建立分類模型確定目標(biāo)的行為模式, 除了進(jìn)行位置預(yù)測(cè)外,還可以預(yù)測(cè)目標(biāo)可能的路線和目的地. 目前,國內(nèi)外部分學(xué)者對(duì)移動(dòng)軌跡的分類預(yù)測(cè)問題進(jìn)行了一些研究,但是針對(duì)紛繁復(fù)雜、機(jī)動(dòng)變化、高維的航跡數(shù)據(jù),還需要進(jìn)一步開展深入的研究.

4 目標(biāo)異常行為實(shí)時(shí)檢測(cè)

4.1 問題描述

在大量的實(shí)時(shí)目標(biāo)數(shù)據(jù)中, 除了需要重點(diǎn)關(guān)注的重要目標(biāo), 決策者真正感興趣和有價(jià)值的是具有異常行為的目標(biāo),如何使系統(tǒng)高效、自動(dòng)、智能地完成對(duì)目標(biāo)異常行為的在線檢測(cè)與識(shí)別, 是預(yù)警監(jiān)視領(lǐng)域亟需解決的一個(gè)重要問題[51?52]. 通過對(duì)目標(biāo)航跡數(shù)據(jù)的實(shí)時(shí)異常檢測(cè), 可以實(shí)現(xiàn)對(duì)目標(biāo)異常行為的實(shí)時(shí)檢測(cè)[53].

4.2 研究現(xiàn)狀

在預(yù)警監(jiān)視領(lǐng)域?qū)δ繕?biāo)航跡數(shù)據(jù)的實(shí)時(shí)異常檢測(cè)方面, 部分學(xué)者進(jìn)行了一些研究. Maxime 提出了一種基于聚類學(xué)習(xí)的空中目標(biāo)航跡異常檢測(cè)方法[54],該方法分為學(xué)習(xí)階段和異常檢測(cè)階段,在學(xué)習(xí)階段利用K 均值聚類和基于密度的聚類方法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行離線學(xué)習(xí),得到目標(biāo)的聚類航跡,在異常檢測(cè)階段, 通過計(jì)算當(dāng)前目標(biāo)航跡點(diǎn)與最近的聚類航跡的距離來判斷目標(biāo)是否異常, 這種方法主要針對(duì)固定航向的民航目標(biāo),并且不能實(shí)時(shí)更新聚類航跡.在海事目標(biāo)航跡異常檢測(cè)方面, 有一些基于目標(biāo)航跡點(diǎn)位置和速度特征向量構(gòu)建統(tǒng)計(jì)模型, 然后通過統(tǒng)計(jì)檢驗(yàn)進(jìn)行異常檢測(cè)的方法[55], 分別用到了核密度評(píng)估(kernel density estimation,KDE)、自組織映射(self-organizing map,SOM)、高斯混合模型(Gaussian mixture model,GMM)、貝葉斯網(wǎng)絡(luò)(bayesian network,BN)和多維直方圖等模型. Urban 等通過結(jié)合GMM和隱馬爾可夫模型(hidden Markov model,HMM)來進(jìn)行兩層的航跡學(xué)習(xí)和異常檢測(cè)[56],第1 層,基于最大期望算法(expectation-maximization algorithm,EM)準(zhǔn)則,利用航跡點(diǎn)的位置向量構(gòu)建GMM;第2 層,把GMM 的每一個(gè)分量看作HMM 的一個(gè)離散狀態(tài),通過HMM 的似然度檢驗(yàn)對(duì)目標(biāo)航跡進(jìn)行異常檢驗(yàn),利用一個(gè)非公開的仿真數(shù)據(jù)集對(duì)算法性能進(jìn)行了驗(yàn)證. 一些文獻(xiàn)基于神經(jīng)網(wǎng)絡(luò)提出了不同的航跡學(xué)習(xí)和異常檢測(cè)算法[57]. Rhodes 等基于Fuzzy ARTMAP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)航跡聚類, 然后通過計(jì)算當(dāng)前目標(biāo)航跡點(diǎn)與最近聚類航跡的距離來判斷目標(biāo)是否異常,Garagic 等用混合神經(jīng)網(wǎng)絡(luò)代替了Fuzzy ARTMAP神經(jīng)網(wǎng)絡(luò)[58]. Bomberger 等基于關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)提出了一種利用目標(biāo)當(dāng)前的位置、速度、航向信息來預(yù)測(cè)目標(biāo)將來位置的算法, 如果目標(biāo)當(dāng)前的位置和預(yù)測(cè)的位置不符, 就被判斷為異常, 這種算法性能受局部網(wǎng)格分辨率影響較大[59], 因此, Rhodes 等通過利用多重標(biāo)度表示位置信息來改善了算法性能[60].Piciarelli 等在視頻監(jiān)控領(lǐng)域提出了一種在線聚類算法[61]. Dahlbom 等在海事監(jiān)控領(lǐng)域?qū)@種在線聚類算法進(jìn)行了評(píng)估[62]. Guo 等通過目標(biāo)航跡的在線學(xué)習(xí)來進(jìn)行異常行為檢測(cè), 但是只適用于目標(biāo)位置出現(xiàn)異常的情況[63].

現(xiàn)有方法主要分學(xué)習(xí)和異常檢測(cè)兩步, 而且大多數(shù)算法都是進(jìn)行離線學(xué)習(xí), 一次性確定模型的參數(shù)和閾值,沒有隨著觀測(cè)數(shù)據(jù)的不斷更新,實(shí)時(shí)學(xué)習(xí)訓(xùn)練模型參數(shù). 部分學(xué)者對(duì)在線學(xué)習(xí)算法進(jìn)行了研究, 但是對(duì)于學(xué)習(xí)時(shí)間間隔的確定和算法復(fù)雜性問題未能很好解決. 現(xiàn)有方法普遍存在參數(shù)設(shè)置復(fù)雜、虛警率不可控、在線學(xué)習(xí)和實(shí)時(shí)異常檢測(cè)能力較差等問題.

5 面臨的挑戰(zhàn)

軌跡數(shù)據(jù)挖掘技術(shù)得到了廣泛關(guān)注和快速發(fā)展,但是基于航跡數(shù)據(jù)挖掘的目標(biāo)行為分析研究才剛剛開始,還有很長(zhǎng)的路要探索,在探索過程中存在很多的困難與挑戰(zhàn),主要表現(xiàn)在以下幾個(gè)方面:

1)理論框架

缺乏一個(gè)完整的基于航跡數(shù)據(jù)挖掘的目標(biāo)行為分析理論框架. 構(gòu)建這個(gè)理論框架,可以解決針對(duì)不同的目標(biāo)航跡數(shù)據(jù), 有哪些目標(biāo)行為模式需要挖掘,如何對(duì)這些模式采用合適的航跡聚類、異常檢測(cè)、關(guān)聯(lián)模式挖掘和分類預(yù)測(cè)算法, 如何提出更加有效的實(shí)現(xiàn)技術(shù).

2)大數(shù)據(jù)的挑戰(zhàn)

隨著預(yù)警監(jiān)視手段的不斷豐富和歷史數(shù)據(jù)的日積月累,目標(biāo)航跡數(shù)據(jù)會(huì)逐步達(dá)到大數(shù)據(jù)的規(guī)模,必然會(huì)給航跡數(shù)據(jù)的分析與挖掘帶來挑戰(zhàn). 必須要不斷優(yōu)化數(shù)據(jù)處理技術(shù)和挖掘算法, 才能高效準(zhǔn)確地完成目標(biāo)航跡數(shù)據(jù)分析與挖掘.

3)粒度控制

目標(biāo)航跡數(shù)據(jù)挖掘應(yīng)該能在紛繁復(fù)雜、機(jī)動(dòng)變化和高維度的航跡數(shù)據(jù)中, 從不同的粒度發(fā)現(xiàn)目標(biāo)的行為模式和異?，F(xiàn)象, 目前的相關(guān)算法都不支持這種多粒度的按需分析挖掘.

4)多因素約束

現(xiàn)有方法沒有考慮天氣、環(huán)境、洋流、事件等其他因素和情報(bào)資源的影響, 在目標(biāo)行為分析方面存在局限性. 可以在考慮各類情報(bào)影響因素的基礎(chǔ)上,構(gòu)造深度學(xué)習(xí)框架, 利用海量的真實(shí)和仿真數(shù)據(jù)進(jìn)行模型訓(xùn)練,實(shí)現(xiàn)對(duì)目標(biāo)行為的分析和預(yù)測(cè).

5)應(yīng)用方向

從目標(biāo)航跡數(shù)據(jù)中挖掘出的規(guī)律和模式?jīng)Q定了成果應(yīng)用, 而通過數(shù)據(jù)挖掘算法能夠挖掘出的規(guī)律和模式往往是未知的. 因此,如何結(jié)合目標(biāo)航跡數(shù)據(jù)挖掘出規(guī)律和模式, 找準(zhǔn)有前景和意義的應(yīng)用方向,是一個(gè)需要洞察力和前瞻性的挑戰(zhàn).

6 熱點(diǎn)研究方向

在對(duì)研究現(xiàn)狀分析和對(duì)困難挑戰(zhàn)總結(jié)的基礎(chǔ)上,提出本領(lǐng)域具有研究?jī)r(jià)值的幾個(gè)熱點(diǎn)研究方向.

1)基于多源隱性關(guān)聯(lián)的多目標(biāo)行為規(guī)律挖掘.在目標(biāo)行為規(guī)律挖掘方面, 通常利用對(duì)目標(biāo)多維航跡數(shù)據(jù)進(jìn)行聚類分析, 挖掘出目標(biāo)行為規(guī)律的思路開展研究.該思路在挖掘目標(biāo)的行為規(guī)律時(shí),對(duì)多個(gè)目標(biāo)獨(dú)立分析, 雖然能同時(shí)挖掘出多個(gè)目標(biāo)的行為規(guī)律,但是沒有考慮目標(biāo)行為之間的關(guān)聯(lián)關(guān)系,在挖掘多目標(biāo)行為規(guī)律方面存在局限性. 下一步研究中,基于多源手段獲取的大量歷史目標(biāo)數(shù)據(jù), 考慮其他各類情報(bào)資源,設(shè)計(jì)對(duì)應(yīng)不同場(chǎng)景的頻繁項(xiàng)集,尋找多目標(biāo)之間的多源隱性關(guān)聯(lián)模式, 對(duì)多個(gè)目標(biāo)的行為規(guī)律進(jìn)行挖掘分析.重點(diǎn)突破多目標(biāo)周期模式,多目標(biāo)協(xié)同規(guī)律,如航母編隊(duì)活動(dòng)規(guī)律,艦機(jī)協(xié)同規(guī)律,多機(jī)、多艦協(xié)同規(guī)律等.

2)基于深度學(xué)習(xí)的目標(biāo)行為動(dòng)向分析. 現(xiàn)有目標(biāo)行為模式在線分類和目標(biāo)異常行為實(shí)時(shí)檢測(cè)方法,沒有考慮天氣、環(huán)境、洋流、事件等其他因素和情報(bào)資源的影響,在目標(biāo)行為動(dòng)向分析方面存在局限性.下一步研究中, 基于多源手段獲取的大量歷史目標(biāo)數(shù)據(jù)和實(shí)時(shí)目標(biāo)數(shù)據(jù),考慮其他各類情報(bào)資源,利用已經(jīng)掌握的目標(biāo)行為規(guī)律和異常行為規(guī)律, 構(gòu)造相應(yīng)的深度學(xué)習(xí)框架,進(jìn)行模型訓(xùn)練,實(shí)現(xiàn)對(duì)目標(biāo)行為動(dòng)向的分析和預(yù)測(cè). 在現(xiàn)有實(shí)測(cè)目標(biāo)數(shù)據(jù)很難滿足深度網(wǎng)絡(luò)訓(xùn)練要求的情況下, 可以利用大量的同類仿真數(shù)據(jù),對(duì)深度學(xué)習(xí)框架進(jìn)行訓(xùn)練,學(xué)習(xí)出模型參數(shù), 然后用實(shí)測(cè)的訓(xùn)練數(shù)據(jù)對(duì)學(xué)習(xí)出的模型參數(shù)進(jìn)行微調(diào),完成對(duì)深度學(xué)習(xí)模型的訓(xùn)練.

3)面向大數(shù)據(jù)的目標(biāo)行為分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).預(yù)警監(jiān)視領(lǐng)域的目標(biāo)數(shù)據(jù)來源復(fù)雜多樣, 通過對(duì)多源異構(gòu)目標(biāo)數(shù)據(jù)進(jìn)行融合處理后得到的目標(biāo)多維航跡數(shù)據(jù)規(guī)模巨大,并在不間斷地持續(xù)增長(zhǎng). 在大量的歷史目標(biāo)數(shù)據(jù)和實(shí)時(shí)目標(biāo)數(shù)據(jù)中, 不僅包含目標(biāo)的屬性、位置、速度、航向等顯性“態(tài)”信息,而且蘊(yùn)含著目標(biāo)的行為規(guī)律、動(dòng)向意圖、威脅程度等有價(jià)值的隱性“勢(shì)”信息,需要利用大數(shù)據(jù)手段進(jìn)行挖掘. 預(yù)警監(jiān)視領(lǐng)域態(tài)勢(shì)瞬息萬變,目標(biāo)數(shù)據(jù)實(shí)時(shí)變化,需要對(duì)實(shí)時(shí)獲得的目標(biāo)數(shù)據(jù)進(jìn)行在線挖掘分析.因此,預(yù)警監(jiān)視領(lǐng)域的目標(biāo)數(shù)據(jù)分析問題是一個(gè)典型的為指揮決策服務(wù)的大數(shù)據(jù)問題.下一步,從目標(biāo)數(shù)據(jù)分布式存儲(chǔ)系統(tǒng)搭建、并行計(jì)算框架設(shè)計(jì)、目標(biāo)行為分析算法分布式編程實(shí)現(xiàn)、目標(biāo)行為分析應(yīng)用系統(tǒng)開發(fā)等方面, 對(duì)面向大數(shù)據(jù)的目標(biāo)行為分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)問題進(jìn)行研究.

7 結(jié)論

目標(biāo)行為分析是在決策層次上的信息融合, 屬于高層信息融合范疇,是C4ISRK 系統(tǒng)指揮和輔助決策過程中的核心內(nèi)容. 隨著數(shù)據(jù)挖掘和大數(shù)據(jù)技術(shù)的發(fā)展,給高層信息融合帶來了新的發(fā)展空間. 基于航跡數(shù)據(jù)的目標(biāo)行為分析技術(shù)作為涵蓋信息融合技術(shù)和數(shù)據(jù)挖掘技術(shù)的交叉技術(shù), 是為決策問題提供服務(wù)的一項(xiàng)大數(shù)據(jù)技術(shù),涉及到了數(shù)學(xué)、統(tǒng)計(jì)學(xué)、模式識(shí)別、人工智能、機(jī)器學(xué)習(xí)和數(shù)據(jù)庫等多個(gè)領(lǐng)域的理論和技術(shù), 在預(yù)警監(jiān)視和指揮決策領(lǐng)域有著廣闊的學(xué)術(shù)價(jià)值和應(yīng)用前景, 必將成為今后研究的一個(gè)熱點(diǎn)、重點(diǎn)和難點(diǎn).