袁德寶，王炳靈，閆 瑜，周士強(qiáng)，梁 晨

(中國(guó)礦業(yè)大學(xué)(北京)地球科學(xué)與測(cè)繪工程學(xué)院，北京 100083)

如今，無(wú)線(xiàn)射頻識(shí)別技術(shù)、藍(lán)牙、無(wú)線(xiàn)局域網(wǎng)絡(luò)等定位技術(shù)極速發(fā)展，滿(mǎn)足室內(nèi)位置高精度定位的要求，因而常用于室內(nèi)定位[1]。

軌跡數(shù)據(jù)是人類(lèi)移動(dòng)行為的表征，能夠映射出人的出行模式和社會(huì)屬性等信息。如何有效挖掘軌跡數(shù)據(jù)蘊(yùn)藏的人類(lèi)活動(dòng)規(guī)律一直是研究的熱點(diǎn)。通過(guò)軌跡聚類(lèi)發(fā)現(xiàn)行為相似的類(lèi)簇，從而探究群體的移動(dòng)模式是軌跡挖掘和深度應(yīng)用常見(jiàn)的方法之一[2]。

室內(nèi)移動(dòng)對(duì)象軌跡數(shù)據(jù)分析采用相關(guān)算法對(duì)預(yù)處理后的對(duì)象軌跡數(shù)據(jù)進(jìn)行聚類(lèi)，提取對(duì)象軌跡數(shù)據(jù)中的相似性和異常性，有助于發(fā)現(xiàn)用戶(hù)感興趣的區(qū)域，完成用戶(hù)個(gè)性化推薦服務(wù)[3]。室內(nèi)移動(dòng)對(duì)象軌跡數(shù)據(jù)分析也能夠發(fā)掘物體移動(dòng)方式的空間散布和時(shí)間特征，對(duì)于認(rèn)識(shí)運(yùn)動(dòng)的形成機(jī)制，預(yù)測(cè)運(yùn)動(dòng)的未來(lái)發(fā)展具有重要的意義。

目前，許多著名的聚類(lèi)算法如K-means、BIRCH、DBCSAN(density-based spatial clustering of applications with noise)、OPTICS、STING等[4]已被用于軌跡聚類(lèi)。文獻(xiàn)[5]首次將時(shí)間依賴(lài)關(guān)系引入軌跡分析中。文獻(xiàn)[6]用場(chǎng)表達(dá)軌跡，通過(guò)格網(wǎng)內(nèi)的軌跡密度劃分出活躍區(qū)域。文獻(xiàn)[5]對(duì)軌跡分段并將速度等要素引入軌跡段間的相似度計(jì)算。文獻(xiàn)[7]用矢量線(xiàn)表達(dá)完整軌跡，通過(guò)歷史數(shù)據(jù)建立回歸模型，計(jì)算軌跡和模型間的相似性，進(jìn)而聚類(lèi)得到移動(dòng)模式。文獻(xiàn)[8]提出了路網(wǎng)空間下的基于密度的軌跡聚類(lèi)方法。本文利用DBSCAN算法對(duì)某商場(chǎng)大廈的室內(nèi)軌跡數(shù)據(jù)進(jìn)行聚類(lèi)分析，得到關(guān)于進(jìn)入商場(chǎng)大廈的人員的習(xí)慣特征分析，同時(shí)對(duì)軌跡數(shù)據(jù)進(jìn)行熱度圖可視化展示，以驗(yàn)證聚類(lèi)分析結(jié)果。

1 基于DBSCAN聚類(lèi)方法的室內(nèi)軌跡分析

1.1 DBSCAN聚類(lèi)算法

1996年，Martin Ester等提出了一種基于密度的空間聚類(lèi)算法DBSCAN。該算法將具有高密度的區(qū)域劃分為簇，并在具有噪聲的數(shù)據(jù)中聚類(lèi)成簇。DBSCAN算法以空間兩點(diǎn)間的直線(xiàn)距離和最小點(diǎn)數(shù)為標(biāo)準(zhǔn)進(jìn)行聚類(lèi)的二維空間聚類(lèi)方法，它可以通過(guò)計(jì)算點(diǎn)的密度將集合中的點(diǎn)分為核心點(diǎn)、邊界點(diǎn)和噪聲點(diǎn)，當(dāng)二維空間中點(diǎn)密度超過(guò)一定閾值時(shí)，就認(rèn)為這些點(diǎn)是一個(gè)集簇。在此基礎(chǔ)上，對(duì)所有點(diǎn)進(jìn)行空間聚類(lèi)。

如圖1所示，假定領(lǐng)域密度閾值(MinPts)為6，R為圖中圓半徑長(zhǎng)度。則根據(jù)定義，圖上點(diǎn)C在R鄰域內(nèi)共有7個(gè)鄰點(diǎn)，大于MinPts，為核心點(diǎn)；點(diǎn)B在R鄰域內(nèi)共有5個(gè)鄰點(diǎn)，小于MinPts，不是核心點(diǎn)，但其在核心點(diǎn)C的鄰域范圍內(nèi)，是邊界點(diǎn)；點(diǎn)N在R鄰域內(nèi)的鄰點(diǎn)數(shù)為0，因此不是核心點(diǎn)，同時(shí)也不在核心點(diǎn)的鄰域范圍內(nèi)，屬于噪聲點(diǎn)。其中，對(duì)象p的R領(lǐng)域是以對(duì)象p為中心、R為半徑的空間，參數(shù)R>0，是用戶(hù)指定每個(gè)對(duì)象的領(lǐng)域半徑值；MinPts為對(duì)象R領(lǐng)域的對(duì)象數(shù)量；核心點(diǎn)為在領(lǐng)域半徑R內(nèi)含有超過(guò)MinPts數(shù)目的點(diǎn)；邊界點(diǎn)為落在核心點(diǎn)的鄰域內(nèi)，且領(lǐng)域半徑R內(nèi)點(diǎn)的數(shù)量小于MinPts；噪音點(diǎn)定義為既不是核心點(diǎn)也不是邊界點(diǎn)的點(diǎn)。聚類(lèi)算法具體流程如圖2所示。

1.2 聚類(lèi)分析內(nèi)容

1.2.1 數(shù)據(jù)采集

本文的數(shù)據(jù)源為某商場(chǎng)采集的1 d內(nèi)基于手機(jī)WiFi信息的室內(nèi)位置數(shù)據(jù)。對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理，剔除由于手機(jī)WiFi信號(hào)的不穩(wěn)定導(dǎo)致位置冗余的數(shù)據(jù)及邏輯上明顯的錯(cuò)誤數(shù)據(jù)，選用質(zhì)量?jī)?yōu)良的有效軌跡454條。另外，本文使用的樓層數(shù)據(jù)共10層，其中地上8層，地下2層。

1.2.2 軌跡聚類(lèi)分析

用戶(hù)的停留點(diǎn)是用戶(hù)軌跡最重要的特征之一，它隱含了豐富的空間結(jié)構(gòu)信息和行為規(guī)律信息。對(duì)室內(nèi)人員的停留點(diǎn)加以分析挖掘，能夠得到極具價(jià)值的室內(nèi)人員行為特征規(guī)律。本文選擇DBSCAN算法作為提取軌跡停留點(diǎn)的基礎(chǔ)算法。圖3是對(duì)軌跡數(shù)據(jù)聚類(lèi)后的結(jié)果。

1.2.3 聚類(lèi)結(jié)果分析

1.2.3.1 DBSCAN聚類(lèi)算法的結(jié)果分析

本文將DBSCAN聚類(lèi)算法應(yīng)用到室內(nèi)人員軌跡分析中，對(duì)質(zhì)量?jī)?yōu)良的454條有效軌跡提取的各樓層商鋪進(jìn)行聚類(lèi)。圖4僅展示了部分軌跡路徑，箭頭表示軌跡的方向。圖中圓點(diǎn)表示軌跡聚類(lèi)中心，聚類(lèi)中心是由聚類(lèi)效果圖與樓層圖層的對(duì)比及軌跡路徑圖獲得的。

1.2.3.2 個(gè)人行為特征提取

通過(guò)對(duì)個(gè)人軌跡信息進(jìn)行整理、數(shù)理統(tǒng)計(jì)，并結(jié)合人們的生活行為規(guī)律和商場(chǎng)店鋪的性質(zhì)，能夠得到個(gè)體的行為特征規(guī)律。如對(duì)MAC地址為E84E844118D4的客戶(hù)軌跡信息進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，該客戶(hù)在9:01—13:52時(shí)間段，軌跡信號(hào)一直停留在商場(chǎng)6層的港麗餐廳，由此可以推斷該人員是港麗餐廳的服務(wù)人員。對(duì)MAC地址為E88D28E33487的客戶(hù)軌跡位置統(tǒng)計(jì)整理，表1為該客戶(hù)在15:38—16:25時(shí)間段經(jīng)過(guò)的店鋪，由此可知該客戶(hù)為女性，且消費(fèi)水平處于較高程度。

表1 E88D28E33487客戶(hù)途徑商店

1.2.3.3 群體行為特征提取

運(yùn)用DBSCAN算法，對(duì)選用質(zhì)量?jī)?yōu)良的454條有效軌跡提取的各樓層位置信息進(jìn)行批量分析，本文針對(duì)室內(nèi)人員感興趣的幾個(gè)區(qū)域，對(duì)部分停留點(diǎn)信息進(jìn)行數(shù)理統(tǒng)計(jì)與歸納，整理結(jié)果如表2和圖5所示。

表2 各樓層熱點(diǎn)區(qū)域出現(xiàn)頻數(shù)

根據(jù)表2與圖5中展示的統(tǒng)計(jì)數(shù)據(jù)信息，得到該商場(chǎng)室內(nèi)人員群體行為特征規(guī)律如下：

(1) 商場(chǎng)6層的聚類(lèi)中心較多，且6層大部分商鋪屬性為餐廳、甜點(diǎn)等類(lèi)型。由此判斷相比其他消費(fèi)方面，人們對(duì)于吃飯方面的關(guān)注與消費(fèi)是很高的。

(2) 地下2層人員來(lái)往程度較高，其中地下2層聚類(lèi)中心有發(fā)型店和服裝店，判斷人員對(duì)于自己的容貌方面也是比較重視的。另外也反映出，這幾處發(fā)型店與服裝店服務(wù)態(tài)度及消費(fèi)價(jià)格是公道合理的。

(3) 商場(chǎng)5層的聚類(lèi)中心有手機(jī)廣場(chǎng)和中國(guó)移動(dòng)營(yíng)業(yè)廳，說(shuō)明客戶(hù)購(gòu)買(mǎi)手機(jī)、置辦或更換手機(jī)套餐服務(wù)的頻率是較高的。

(4) 商場(chǎng)8層比其他樓層人員來(lái)往得少，盡管也有較多的餐廳服務(wù)店，推斷可能由于樓層太高或商店不出名等原因，人員更喜歡去方便、好評(píng)度高的地方就餐。

2 軌跡可視化展示

2.1 熱度圖

熱度圖是以特殊高亮的形式顯示訪客熱衷的頁(yè)面區(qū)域和訪客所在的地理區(qū)，以顯示不可點(diǎn)擊區(qū)域發(fā)生的事。通過(guò)熱度圖可以簡(jiǎn)單地聚合大量數(shù)據(jù)，并使用一種漸進(jìn)的色帶表現(xiàn)，效果一般優(yōu)于離散點(diǎn)的直接顯示，可以很直觀地展現(xiàn)空間數(shù)據(jù)的疏密程度或頻率高低。

熱度圖是通過(guò)ArcGIS API for JavaScript實(shí)現(xiàn)的，其中，需要采用的數(shù)據(jù)是ArcGIS對(duì)某樓層圖層的地圖發(fā)布服務(wù)和漁網(wǎng)圖采集到的該樓層各商店軌跡坐標(biāo)信息數(shù)據(jù)。ArcGIS API for JavaScript首先定義一個(gè)map底圖，引用樓層圖層地圖發(fā)布服務(wù)的URL地址，實(shí)現(xiàn)樓層數(shù)據(jù)在瀏覽器中的表達(dá)；然后定義一個(gè)heatmap，其中heatmap的data數(shù)據(jù)需要覆蓋店鋪且能代表店鋪位置的漁網(wǎng)網(wǎng)格中心點(diǎn)坐標(biāo)作為熱點(diǎn)中心，漁網(wǎng)圖采集的軌跡信息數(shù)目作為熱點(diǎn)中心的count值；加載以后，在瀏覽器實(shí)現(xiàn)map與heatmap的疊加，展示熱度圖。

2.2 熱度圖展示

熱度圖通過(guò)多個(gè)熱點(diǎn)中心(覆蓋店鋪且能代表店鋪位置的漁網(wǎng)網(wǎng)格中心點(diǎn))的顏色深淺來(lái)展現(xiàn)室內(nèi)人員軌跡的密度情況，可以反映哪些商鋪吸引了大多數(shù)訪客的注意，直觀地表達(dá)各樓層商店的人員軌跡密集情況，結(jié)合日常生活中人們的生活規(guī)律與興趣及店鋪相應(yīng)的屬性信息推測(cè)店鋪的銷(xiāo)售情況，獲得個(gè)人、群體行為特征，為市場(chǎng)調(diào)查、研究等領(lǐng)域提供參考的依據(jù)。圖6為實(shí)現(xiàn)的熱度圖展示。

3 結(jié) 語(yǔ)

本文基于當(dāng)前已有的軌跡研究服務(wù)成果，利用DBSCAN聚類(lèi)算法實(shí)現(xiàn)軌跡數(shù)據(jù)的聚類(lèi)，并對(duì)聚類(lèi)結(jié)果進(jìn)行分析，得到群體行為特征信息；同時(shí)對(duì)室內(nèi)位置信息進(jìn)行熱度圖展示，進(jìn)一步驗(yàn)證聚類(lèi)結(jié)果。然而，由于DBSCAN算法自身的缺陷和本文數(shù)據(jù)預(yù)處理的不確定性，導(dǎo)致聚類(lèi)結(jié)果與真實(shí)情況存在偏差，DBSCAN聚類(lèi)只是考慮點(diǎn)與點(diǎn)之間的空間關(guān)系，而沒(méi)有考慮點(diǎn)與點(diǎn)之間的時(shí)間關(guān)系,但在實(shí)際情況中，空間上相鄰的點(diǎn)在時(shí)間上不一定相鄰。如何獲取更高質(zhì)量的用戶(hù)軌跡數(shù)據(jù)，并對(duì)其進(jìn)行更加有效的處理分析，將是下一步的研究方向。