一种基于数据趋势的目标活动周期规律挖掘方法*

张 曦 姜思宇

（1.中国人民解放军91404部队 秦皇岛 066000）（2.空军预警学院 武汉 430019）

1 引言

研究海面目标的跟踪数据时发现目标的运动轨迹在较长时间内往往具备稳定的周期规律，因此，海面目标的周期规律挖掘成为目标活动规律研究的一个重要方向。周期模式挖掘的研究工作起源于频繁模式发现，目前在很多领域都有广泛的应用［1～6］，典型的如股票分析、动物迁徙、人员活动等。目标的周期运动规律挖掘是一项具有较大难度的研究工作［7～12］，当前的研究工作仅仅把目标的运动当成简单的有序数据集，没有充分考虑到目标运动时的时间和空间特点，并且在挖掘目标的运动规律时，前提条件是假设已知目标的活动周期。然而，在实际应用中，目标的运动周期往往并没有事先知道，此时对目标的活动规律进行挖掘，会造成挖掘结果的偏差。

针对当前目标活动规律研究工作中周期长度往往通过直接指定的假设造成的规律分析偏差问题，本文提出了基于数据趋势的目标活动规律周期挖掘方法，以海面目标的运动轨迹数据作为研究对象，通过对目标轨迹数据进行建模，发现目标运动的周期规律。

2 轨迹数据预处理

目标的位置观测数据由一系列离散点表示，需要构造位置函数来表示目标运动轨迹。由于观测数据存在随机白噪声等干扰，需要进行滤波等预处理。滤波后的位置函数能够展现出目标的走向和活动趋势。轨迹预处理方法具体描述如下：

假设目标观测数据为{x(t)}，t=1，2，…n，采用平均值的方法滤波得到构造函数Y(t)：

如下图所示，经过滤波处理后的数据Y(t)平滑很多，数据的随机性得到较大减弱，根据滤波数据曲线能够获取目标活动数据的基本趋势方向。

图1 数据预处理效果图

3 基于运动趋势的周期规律挖掘方法

3.1 目标运动趋势计算

目标轨迹数据经过预处理，可用函数曲线表示，函数曲线共有5种状态，分别是上升、峰、下降、谷和边界。本文采用5种状态中的任意一种状态来表示目标的轨迹位置点，来挖掘目标运动趋势。

设目标轨迹的3个连续位置点为Y(n-1)，Y(n)，Y(n+1)，其中，Y(n)为当前需要挖掘的对象点，因此：

1）若Y(n)＞Y(n-1)，而且Y(n)＜Y(n+1)，则判定目标当前运动趋势为上升。

2）若Y(n)≥Y(n-1)，而且Y(n)≥Y(n+1)，则判定目标当前运动趋势为峰。

3）若Y(n)＜Y(n-1)，而且Y(n)＞Y(n+1)，则判定目标当前运动趋势为下降。

4）若Y(n)≤Y(n-1)，而且Y(n)≤Y(n+1)，则判定目标当前运动趋势为谷。

5）若Y(n)为目标轨迹的起点或终点，则判定目标当前运动趋势为边界。

采用以上方法计算出目标轨迹位置点的当前趋势，可以为下一步获取目标轨迹数据序列运动周期提供支撑。

3.2 周期规律挖掘

周期规律作为目标活动规律的一个研究方向，一般是由人工指定，但往往与实际周期规律有偏差，因此，研究目标活动的周期规律挖掘方法很有必要。本节在目标运动趋势基础上挖掘目标的活动周期规律，借助目标轨迹数据的运动趋势计算方法，构建周期计算方法，挖掘周期规律。

第一步，挑选出目标位置轨迹曲线上的峰点和谷点，生成一条离散有序的峰谷位置序列k＞1，Lj1，Lj2，…，Ljk；第二步，构造k间隔向量和k间距统计向量，计算k间距统计向量最小的离散差(Diffk)，统计k间距统计向量的平均值，即为所求的目标活动周期。

k间隔向量和k间距统计向量定义如下：

k间隔向量，是指从起点到终点排成的k间隔组成的向量。其中，k间隔是对k峰距和k谷距的统称；k峰距是指k峰点与起始峰点的时间差；k谷距是指k谷点与起始谷点的时间差。k间隔向量记为Sk，当k为0或者l时，得到Sk={0}。

k间距统计向量，是指由k间隔统计记录构成的向量。可以通过以下公式计算得到k间隔统计记录：

得到k间隔统计记录为 (maxSk，minSk，aveSk，DiffSk)。

通过以上计算方法，根据不同的k值，可以获得相应k值的k间隔统计向量；计算k间隔统计向量最小的离散差值，通过数值取整，得到目标活动周期。

4 仿真验证与分析

仿真场景为：有3批海面目标，一艘小型船，一艘中型船，一艘大型船。数据集中共有半个月的数据，其中，小型船每天固定路线3个小时轨迹数据；中型船每周固定路线3次，每次7个小时数据；大型船每天4个小时的轨迹数据；另外，包含各种民船轨迹若干。采用时空轨迹聚类算法，可以聚类出3类目标，航路提取结果如图2～3所示。分析路线数据，采用本文提出的基于数据趋势的海面目标活动规律周期挖掘方法，可以挖掘出目标的活动周期。

如图2～3所示，针对小型船的航路提取结果，红色表示提取出的路线，通过对半个月的历史数据挖掘结果表明，该小型船活动周期为1天；针对中型船的航路提取结果，红色表示提取出的路线，通过对半个月的历史数据挖掘结果表明，该中型船活动周期为7天；针对大型船的航路提取结果，红色表示提取出的路线，通过对半个月的历史数据挖掘结果表明，该大型船活动周期为1天。目标周期活动规律挖掘结果统计如表1。

图3 中型船航路提取结果

图4 大型船航路提取结果

表1 目标活动周期挖掘结果

仿真试验表明，本文提出的基于数据趋势的海面目标活动规律周期挖掘方法可以有效提取目标活动周期，提取的周期结果与目标实际周期规律一致，方便工程化实现。

5 结语

本文针对海面目标活动周期性规律这一特点，在轨迹航路成功提取的基础上，提出了应用于海面目标轨迹数据的周期活动规律挖掘技术，仿真试验表明，该方法比较简单直接，能够按照预期正确挖掘出目标活动的周期性规律。另外，本文的仿真场景可能也不具备典型性，后期需要实测数据对本文的方法进行验证。