为分析社区中老年人空间行为轨迹的规律并识别其异常空间行为轨迹,建立了基于动态时间规整(dynamic time warping, DTW)算法和基于密度的空间聚类算法(density-based spatial clustering of applications with noise, ST-DBSCAN)的社区...为分析社区中老年人空间行为轨迹的规律并识别其异常空间行为轨迹,建立了基于动态时间规整(dynamic time warping, DTW)算法和基于密度的空间聚类算法(density-based spatial clustering of applications with noise, ST-DBSCAN)的社区老年人异常空间行为轨迹分析模型。首先,利用社区内老年人空间轨迹定位数据,采用ST-DBSCAN聚类算法对连续空间轨迹进行聚类分析,提取老年人的动态行为链。其次,针对两种常见的异常轨迹模式(出行轨迹偏离日常轨迹和停留时间过长),利用DTW算法对老年人的动态轨迹进行异常模式识别。最后,结合异常轨迹模式、老年人背景信息、气象信息,建立社区老年人异常行为风险分析模型,分析老年人在出现轨迹异常情况下的安全风险,并基于微软亚洲研究院的开源轨迹数据集GeoLife对建立的模型进行了验证。研究结果表明,模型可以识别老年人出行时的异常空间轨迹,分析其安全风险。研究成果可以为居委会、社区物业、养老机构等部门的老年人安全管理工作提供方法支持。展开更多
文摘为分析社区中老年人空间行为轨迹的规律并识别其异常空间行为轨迹,建立了基于动态时间规整(dynamic time warping, DTW)算法和基于密度的空间聚类算法(density-based spatial clustering of applications with noise, ST-DBSCAN)的社区老年人异常空间行为轨迹分析模型。首先,利用社区内老年人空间轨迹定位数据,采用ST-DBSCAN聚类算法对连续空间轨迹进行聚类分析,提取老年人的动态行为链。其次,针对两种常见的异常轨迹模式(出行轨迹偏离日常轨迹和停留时间过长),利用DTW算法对老年人的动态轨迹进行异常模式识别。最后,结合异常轨迹模式、老年人背景信息、气象信息,建立社区老年人异常行为风险分析模型,分析老年人在出现轨迹异常情况下的安全风险,并基于微软亚洲研究院的开源轨迹数据集GeoLife对建立的模型进行了验证。研究结果表明,模型可以识别老年人出行时的异常空间轨迹,分析其安全风险。研究成果可以为居委会、社区物业、养老机构等部门的老年人安全管理工作提供方法支持。
