趙 端 ，顧優(yōu)雅 ，張 雨 ，馮 凱

（1.中國(guó)礦業(yè)大學(xué) 物聯(lián)網(wǎng)（感知礦山）研究中心，江蘇 徐州 221008；2.中國(guó)礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州 221008；3.礦山互聯(lián)網(wǎng)應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，江蘇 徐州 221008）

為確保井下安全生產(chǎn)和井下人員安全，國(guó)家安全生產(chǎn)監(jiān)督總局明確要求井下必須安裝人員定位系統(tǒng)[1]。但從實(shí)際使用狀況看，該系統(tǒng)只能實(shí)現(xiàn)定位器周邊定位，人員的實(shí)際軌跡分布、異常軌跡并無(wú)法有效獲取。因此，如何在現(xiàn)有定位系統(tǒng)上增加人員軌跡的分析功能是煤礦企業(yè)亟待解決的問(wèn)題之一。

研究人員針對(duì)地面上移動(dòng)對(duì)象的定位數(shù)據(jù)研究取得了一定的成果。如LO Alvares等[2]首次提出利用駐足點(diǎn)對(duì)軌跡數(shù)據(jù)進(jìn)行語(yǔ)義建模，節(jié)約計(jì)算時(shí)間；袁冠[3]對(duì)人員活動(dòng)進(jìn)行建模，提出多粒度周期活動(dòng)發(fā)現(xiàn)方法；呂紹仟等[4]提出基于軌跡結(jié)構(gòu)的熱點(diǎn)區(qū)域發(fā)現(xiàn)框架篩選出移動(dòng)對(duì)象活動(dòng)的熱點(diǎn)區(qū)域。這些研究表明,對(duì)地面上的定位數(shù)據(jù)進(jìn)行分析能挖掘出移動(dòng)對(duì)象定位信息隱藏信息。由于礦井下特殊的環(huán)境，直接利用地面上的軌跡挖掘方法存在如下問(wèn)題:①井下條件惡劣造成定位數(shù)據(jù)大量缺失，無(wú)法像地面一樣形成大量連續(xù)的軌跡；②礦井環(huán)境的特殊性，使得井下巷道的行走規(guī)則有局限性。針對(duì)上述問(wèn)題，提出基于關(guān)鍵區(qū)域的井下人員軌跡挖掘框架（Key Location-based Trajectory Mining，KL_TM），該框架利用井下定位數(shù)據(jù)生成不同工種的礦工日常軌跡并篩選出異常軌跡。首先利用篩選、過(guò)濾、降噪等預(yù)處理手段剔除原始數(shù)據(jù)中不符合規(guī)定的點(diǎn)，之后利用KL_TM框架發(fā)日常軌跡和異常軌跡。KL_TM框架由關(guān)鍵位置發(fā)現(xiàn)（Key Location Discovery，KLD）和移動(dòng)對(duì)象軌跡挖掘（Trajectory Data Mining，TDM）組成。

1 基于KLD的井下關(guān)鍵位置發(fā)現(xiàn)

井下關(guān)鍵位置是軌跡中特殊語(yǔ)義的點(diǎn)，井口是軌跡密集的位置，但井口對(duì)整體軌跡并沒(méi)有太大的實(shí)際意義。因此，關(guān)鍵位置發(fā)現(xiàn)算法首先用人員語(yǔ)義劃分軌跡，再用拐點(diǎn)[5]和駐足點(diǎn)[6]對(duì)定位數(shù)據(jù)進(jìn)行篩選，提取軌跡中重要語(yǔ)義點(diǎn)形成關(guān)鍵位置序列。

2 基于關(guān)鍵位置的人員軌跡挖掘方法

關(guān)鍵位置發(fā)現(xiàn)算法只考慮了每條軌跡的關(guān)鍵位置特征，沒(méi)有考慮到整體結(jié)構(gòu)，因此移動(dòng)對(duì)象軌跡挖掘從整體出發(fā)對(duì)軌跡進(jìn)行挖掘，主要分為2個(gè)部分：①關(guān)鍵區(qū)域的選取；②井下人員軌跡的挖掘，包括日常軌跡的發(fā)現(xiàn)和異常軌跡的檢測(cè)。

2.1 關(guān)鍵區(qū)域的選取

由于礦井下定位數(shù)據(jù)噪聲點(diǎn)多，密度不均勻，采用DBSCAN聚類算法[7-9]對(duì)軌跡數(shù)據(jù)聚類。TDM算法中利用改進(jìn)的DBSCAN算法來(lái)優(yōu)化DBSCAN無(wú)法識(shí)別多密度的缺點(diǎn)。算法主要根據(jù)數(shù)據(jù)集中點(diǎn)間距離進(jìn)行排序，動(dòng)態(tài)識(shí)別第MinPts個(gè)點(diǎn)組成近鄰矩陣，計(jì)算矩陣的密度變化率，通過(guò)設(shè)置密度變化率閾值篩選出不同的簇DLSi，之后利用式（1）計(jì)算每個(gè)簇的聚類半徑Eps。

式中：EPS為簇DLSi的聚類半徑；max（DLSi）、median（DLSi）、mean（DLSi）為分別表示簇DLSi距離的最大值、中值以、平均值。

經(jīng)過(guò)上述操作，將原本零散的關(guān)鍵位置聚類成關(guān)鍵區(qū)域序列，表示為 C={C1，C2，…，Cn}T，其中 Ci包含關(guān)鍵位置{KL1，KL2，…，KLm}T，m 是聚類簇的數(shù)量。

2.2 井下人員軌跡的挖掘

井下人員軌跡的挖掘包括日常軌跡的發(fā)現(xiàn)和異常軌跡的檢測(cè)。礦井下同一工種的礦工軌跡呈現(xiàn)出規(guī)律性和統(tǒng)一性，因此可以利用聚類中心點(diǎn)對(duì)關(guān)鍵區(qū)域C進(jìn)行抽象選取，將點(diǎn)的集合轉(zhuǎn)化成點(diǎn)的表示方法，還原了移動(dòng)對(duì)象的日常軌跡 A={a1，a2，…，at}。

屬性特征上偏離大多數(shù)軌稱為異常軌跡，乘坐裝物料的運(yùn)輸工具、擅自脫崗等都是違規(guī)的行為，這些行為會(huì)導(dǎo)致礦工的軌跡發(fā)生改變，形成異常軌跡。本文采用Hausdorff方法[10]檢測(cè)軌跡的異常。

3 算法性能比較

選取某礦井采煤工、綜掘人員、安檢員各10名，記錄其6個(gè)月的定位數(shù)據(jù)，標(biāo)記為DS1、DS2、DS3。其中 DS1有 27 602個(gè)軌跡點(diǎn)，DS2有 28 392個(gè)軌跡點(diǎn)，DS3有12 748個(gè)軌跡點(diǎn)。

計(jì)算不同的參數(shù)對(duì)改進(jìn)的DBSCAN算法和DBCSAN算法準(zhǔn)確度的影響，結(jié)果如參數(shù)對(duì)DBSCAN算法的影響見(jiàn)表1。從表1中可以發(fā)現(xiàn)，2種算法識(shí)別異常軌跡的能力相同，但改進(jìn)的DBSCAN總體相似度明顯高于DBSCAN，這表明改進(jìn)的DBSCAN算法的比DBSCAN算法的聚類精度更高，識(shí)別出的軌跡點(diǎn)間耦合度更高。

表1 參數(shù)對(duì)DBSCAN算法的影響

利用改進(jìn)的DBSCAN算法對(duì)數(shù)據(jù)集進(jìn)行優(yōu)化，對(duì)比篩選前后軌跡點(diǎn)個(gè)數(shù)，檢測(cè)前后軌跡點(diǎn)個(gè)數(shù)的比較見(jiàn)表2。從表2中可以得出：KL_TM框架能篩選掉約1/4的數(shù)據(jù)點(diǎn)，且隨著定位點(diǎn)數(shù)目的增多，刪選出點(diǎn)的個(gè)數(shù)越多。

表2 檢測(cè)前后軌跡點(diǎn)個(gè)數(shù)的比較

綜上所述，改進(jìn)的DBSCAN算法保持了DBSCAN的優(yōu)點(diǎn)且能有效地識(shí)別多密度區(qū)域；其次，篩選出約1/4沒(méi)有語(yǔ)義的點(diǎn)，節(jié)約程序運(yùn)算時(shí)間，提高了精度。

4 案例分析

某采區(qū)示意圖如圖1，其包含3條主要大巷（西區(qū)運(yùn)輸大巷、輔助巷、回風(fēng)巷）和1個(gè)工作面，長(zhǎng)方形圖標(biāo)表示監(jiān)控站。本次實(shí)驗(yàn)總共收集井下6個(gè)月定位數(shù)據(jù)，共68 742個(gè)軌跡點(diǎn)。

圖1 某采區(qū)示意圖

利用KL_TM框架分析后形成的綜采隊(duì)礦工的軌跡如圖2。圖2（a）是日常軌跡，利用Hausdorff距離對(duì)綜采隊(duì)員工的軌跡進(jìn)行差異度分析，將差異度大于350的軌跡可視化，結(jié)果如圖2（b）。

圖2 采煤工的日常軌跡與異常軌跡

圖2（a）中方塊表示的是礦工日常軌跡中的關(guān)鍵區(qū)域。從結(jié)果發(fā)現(xiàn)，井口被聚類成1個(gè)簇；西區(qū)輔運(yùn)大巷6－2，調(diào)度站和臨時(shí)變電所在西區(qū)輔運(yùn)大巷這一條巷道上，所以用調(diào)度站和臨時(shí)變電所表示采煤工人的前進(jìn)路線。從圖中可以直觀地判斷采煤工人的日常軌跡符合井下的采煤作業(yè)流程。

圖2（b）是根據(jù)圖2（a）中的日常軌跡進(jìn)行篩選，軌跡上標(biāo)注了產(chǎn)生該軌跡的人員ID和時(shí)間，方便管理者及時(shí)對(duì)礦工的行為軌跡進(jìn)行管理。從圖中可以看出人員ID為427的員工直接從201聯(lián)絡(luò)風(fēng)門到西區(qū)輔運(yùn)大巷6－2，該礦工可能是直接通過(guò)西區(qū)運(yùn)輸大巷到達(dá)西區(qū)輔助大巷6－2。而員工ID為407的員工則在2017年11月6日走到了原本不該經(jīng)過(guò)的西區(qū)聯(lián)絡(luò)巷。

5 結(jié)語(yǔ)

提出的基于關(guān)鍵區(qū)域的井下人員軌跡的挖掘框架（KL_TM）由KLD算法和TDM算法2部分組成。KLD算法利用拐點(diǎn)和駐足點(diǎn)刪除約1/4的定位數(shù)據(jù)同時(shí)將定位數(shù)據(jù)變成關(guān)鍵位置序列；TDM改進(jìn)DBSCAN算法，動(dòng)態(tài)識(shí)別聚類的半徑，改善DBSCAN算法需要調(diào)參的缺點(diǎn)，將關(guān)鍵位置序列聚類成移動(dòng)對(duì)象的歷史位置序列，從而識(shí)別出移動(dòng)對(duì)象軌跡的關(guān)鍵區(qū)域，最后利用聚類中心挖掘出移動(dòng)對(duì)象的日常軌跡，通過(guò)日常軌跡的異構(gòu)性發(fā)現(xiàn)異常軌跡。通過(guò)礦井下的數(shù)據(jù)集證明KL_TM框架能有效的發(fā)現(xiàn)礦工的日常軌跡和異常軌跡，改善了原來(lái)井下定位系統(tǒng)只能顯示人員位置的缺陷，提高井下人員管理水平，最大限度地保證礦工的安全。