基于關鍵區(qū)域的井下人員軌跡挖掘方法

趙 端 ，顧優(yōu)雅 ，張 雨 ，馮 凱

（1.中國礦業(yè)大學 物聯(lián)網(wǎng)（感知礦山）研究中心，江蘇 徐州 221008；2.中國礦業(yè)大學 信息與控制工程學院，江蘇 徐州 221008；3.礦山互聯(lián)網(wǎng)應用技術國家地方聯(lián)合工程實驗室，江蘇 徐州 221008）

為確保井下安全生產(chǎn)和井下人員安全，國家安全生產(chǎn)監(jiān)督總局明確要求井下必須安裝人員定位系統(tǒng)[1]。但從實際使用狀況看，該系統(tǒng)只能實現(xiàn)定位器周邊定位，人員的實際軌跡分布、異常軌跡并無法有效獲取。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)亟待解決的問題之一。

研究人員針對地面上移動對象的定位數(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對軌跡數(shù)據(jù)進行語義建模，節(jié)約計算時間；袁冠[3]對人員活動進行建模，提出多粒度周期活動發(fā)現(xiàn)方法；呂紹仟等[4]提出基于軌跡結構的熱點區(qū)域發(fā)現(xiàn)框架篩選出移動對象活動的熱點區(qū)域。這些研究表明,對地面上的定位數(shù)據(jù)進行分析能挖掘出移動對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題:①井下條件惡劣造成定位數(shù)據(jù)大量缺失，無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。針對上述問題，提出基于關鍵區(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、過濾、降噪等預處理手段剔除原始數(shù)據(jù)中不符合規(guī)定的點，之后利用KL_TM框架發(fā)日常軌跡和異常軌跡。KL_TM框架由關鍵位置發(fā)現(xiàn)（Key Location Discovery，KLD）和移動對象軌跡挖掘（Trajectory Data Mining，TDM）組成。

1 基于KLD的井下關鍵位置發(fā)現(xiàn)

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

2 基于關鍵位置的人員軌跡挖掘方法

關鍵位置發(fā)現(xiàn)算法只考慮了每條軌跡的關鍵位置特征，沒有考慮到整體結構，因此移動對象軌跡挖掘從整體出發(fā)對軌跡進行挖掘，主要分為2個部分：①關鍵區(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。

2.1 關鍵區(qū)域的選取

由于礦井下定位數(shù)據(jù)噪聲點多，密度不均勻，采用DBSCAN聚類算法[7-9]對軌跡數(shù)據(jù)聚類。TDM算法中利用改進的DBSCAN算法來優(yōu)化DBSCAN無法識別多密度的缺點。算法主要根據(jù)數(shù)據(jù)集中點間距離進行排序，動態(tài)識別第MinPts個點組成近鄰矩陣，計算矩陣的密度變化率，通過設置密度變化率閾值篩選出不同的簇DLSi，之后利用式（1）計算每個簇的聚類半徑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)過上述操作，將原本零散的關鍵位置聚類成關鍵區(qū)域序列，表示為 C={C1，C2，…，Cn}T，其中 Ci包含關鍵位置{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。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對關鍵區(qū)域C進行抽象選取，將點的集合轉化成點的表示方法，還原了移動對象的日常軌跡 A={a1，a2，…，at}。

屬性特征上偏離大多數(shù)軌稱為異常軌跡，乘坐裝物料的運輸工具、擅自脫崗等都是違規(guī)的行為，這些行為會導致礦工的軌跡發(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個月的定位數(shù)據(jù)，標記為DS1、DS2、DS3。其中 DS1有 27 602個軌跡點，DS2有 28 392個軌跡點，DS3有12 748個軌跡點。

計算不同的參數(shù)對改進的DBSCAN算法和DBCSAN算法準確度的影響，結果如參數(shù)對DBSCAN算法的影響見表1。從表1中可以發(fā)現(xiàn)，2種算法識別異常軌跡的能力相同，但改進的DBSCAN總體相似度明顯高于DBSCAN，這表明改進的DBSCAN算法的比DBSCAN算法的聚類精度更高，識別出的軌跡點間耦合度更高。

表1 參數(shù)對DBSCAN算法的影響

利用改進的DBSCAN算法對數(shù)據(jù)集進行優(yōu)化，對比篩選前后軌跡點個數(shù)，檢測前后軌跡點個數(shù)的比較見表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，且隨著定位點數(shù)目的增多，刪選出點的個數(shù)越多。

表2 檢測前后軌跡點個數(shù)的比較

綜上所述，改進的DBSCAN算法保持了DBSCAN的優(yōu)點且能有效地識別多密度區(qū)域；其次，篩選出約1/4沒有語義的點，節(jié)約程序運算時間，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)運輸大巷、輔助巷、回風巷）和1個工作面，長方形圖標表示監(jiān)控站。本次實驗總共收集井下6個月定位數(shù)據(jù)，共68 742個軌跡點。

圖1 某采區(qū)示意圖

利用KL_TM框架分析后形成的綜采隊礦工的軌跡如圖2。圖2（a）是日常軌跡，利用Hausdorff距離對綜采隊員工的軌跡進行差異度分析，將差異度大于350的軌跡可視化，結果如圖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鍵區(qū)域。從結果發(fā)現(xiàn)，井口被聚類成1個簇；西區(qū)輔運大巷6－2，調(diào)度站和臨時變電所在西區(qū)輔運大巷這一條巷道上，所以用調(diào)度站和臨時變電所表示采煤工人的前進路線。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）中的日常軌跡進行篩選，軌跡上標注了產(chǎn)生該軌跡的人員ID和時間，方便管理者及時對礦工的行為軌跡進行管理。從圖中可以看出人員ID為427的員工直接從201聯(lián)絡風門到西區(qū)輔運大巷6－2，該礦工可能是直接通過西區(qū)運輸大巷到達西區(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)過的西區(qū)聯(lián)絡巷。

5 結語

提出的基于關鍵區(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算法利用拐點和駐足點刪除約1/4的定位數(shù)據(jù)同時將定位數(shù)據(jù)變成關鍵位置序列；TDM改進DBSCAN算法，動態(tài)識別聚類的半徑，改善DBSCAN算法需要調(diào)參的缺點，將關鍵位置序列聚類成移動對象的歷史位置序列，從而識別出移動對象軌跡的關鍵區(qū)域，最后利用聚類中心挖掘出移動對象的日常軌跡，通過日常軌跡的異構性發(fā)現(xiàn)異常軌跡。通過礦井下的數(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。