CN113360655B - 一种基于序列标注的航迹点分类及文本生成方法 - Google Patents

Abstract

本发明提供了一种基于序列标注的航迹点分类及文本生成方法，首先定义关注的事件类型，机器相关的参数，比如转向事件需要关注转向的角度；针对盘旋事件，需要关注盘旋的圈数。通过分析轨迹点及其相邻点的角度、高度变化等特征，判定每个时间点对应的事件类型。对于每个事件及其参数，采用模板填充的方式生成对应的文本。经过以上步骤，本发明能够自动分析航迹数据并抽取关键事件，生成高可读性强、反应目标的活动情况的文本描述。

Description

一种基于序列标注的航迹点分类及文本生成方法

技术领域

本发明涉及一种基于序列标注的航迹点分类及文本生成方法。

背景技术

航迹数据是一种时间序列，反映了目标的真实活动规律。但是因为航迹以枯燥的数字形式存在，不易于人类阅读，无法直观的了解目标的行动规律，如何将航迹数据以文本形式描述，是本文需要解决的问题。现有方法只是针对整个航迹进行分类，并没有针对每个航迹点的细粒度分析，也没有考虑航迹转文本的问题。

发明内容

发明目的：本发明希望文本化形式描述航迹数据，为此提出了一种基于序列标注的航迹分析及文本生成方法，包括如下步骤：

步骤1，定义目标的事件集合，针对每个航迹点构建多维度的特征，以预测航迹点的事件类型；

步骤2，针对特定的事件，提取额外参数；

步骤3，进行参数提取和文本填充。

步骤1包括：

步骤1-1，定义目标的事件集合：

目标的事件集合中包括目标出现、离开、目标转向、盘旋事件，其中盘旋事件需要抽取出具体的盘旋圈数，转向事件需要抽取出转向角度；

步骤1-2，经纬度坐标向量化：

航迹序列中的经纬度是连续变量，需要将该变量离散化，以便于后续模型处理。本文利用Geohash对经纬度进行分组，以实现连续变脸的离散化；

航迹序列中的每个航迹点类比为一个单词，整个航迹序列类比为一个句子，利用词向量训练算法skip-gram得到每个单词的向量表示，每个单词的向量表示就是每个轨迹点的向量表示；

步骤1-3，航迹序列统计特征的提取：以当前航迹点为中心构建一个大小为n的滑动窗口w，标记为T_w＝{P₀,P₁...P_i...P_n-1}，其中第i个航迹点P_i＝(x_i,y_i,h_i,t_i)是一个四元组，x_i,y_i,h_i,t_i分别表示第i个航迹点的维度、经度、高度和时间；如下式所示计算滑动窗口的曲率s_window：

其中距离采用欧拉距离计算：

distance(P_i,P_j)表示第i个航迹点P_i和第j个航迹点P_j的距离；

曲率表示该窗口内的移动距离之和与窗口起始、结束位置的直线距离的比值，用来刻画窗口的弯曲程度；

步骤1-4，计算窗口相对整个航迹的转角：

diff_w＝θ_window-θ_track

θ_window＝arctan(y_n-1-y_w0,x_n-1-x_w0)

θ_track＝arctan(y_T-1-y_T0,x_T-1-x_T0)

其中diff_w表示窗口相对整个航迹的转角，θ_window和θ_track分别表示窗口的方向角和航迹的方向角；(x_w0,y_w0)和(x_n-1,y_n-1)分别表示滑动窗口的开始点的经纬度坐标和结束点的经纬度坐标，(x_T0,y_T0)和(x_T-1,y_T-1)分别表示航迹的开始点的坐标和结束点的坐标；

步骤1-5，轨迹点高度向量化表示：

对于航迹序列中的高度采用步骤1-2同样的方法处理，航迹序列中的高度是连续型变量，利用分位数统计量将其编码成类目变量，每个时间点的高度类比一个单词；离散化后，单个目标的轨迹变成一个序列，类比为句子；利用词向量训练算法cbow得到每个单词的向量表示，每个单词的向量表示就是每个时间点的基于高度的向量表示；

步骤1-6，利用双向长短期记忆网络BiLSTM建模时间序列数据，输入是航迹序列在给定时间步t的多种特征：

BiLSTM([e_t,cf_t,diff_t,eh_t])

其中e_t表示当前时间点的轨迹点得到的向量表示；

cf_t表示当前时间点的弯曲因子；

diff_t表示当前时间点的角度差值特征；

eh_t表示当前时间点的基于高度的向量表示；

步骤1-7，利用crf建模标签之间的依赖关系：

对于给定航迹序列T_i，经过步骤1-6的长短期记忆网络编码后的特征输出记为P，其维度为n×k，其中n表示航迹点个数，k表示所有事件个数，P_i,j表示航迹点i映射到事件j的得分；针对其中一个输出序列y＝(y₁,y₂...y_n)，记录得分s(X,y)为：

其中矩阵A是转移矩阵，具体的A_i，j表示标签i转移到标签j的转移概率；

对航迹序列T_i所有的输出进行归一化，得到后验概率p(y|X)：

其中Y_X表示针对输入序列X的所有可能事件集合；

是Y_X中的一个元素；

其中

表示循环便输入序列X的所有可能事件序列；

训练过程希望最大化正确标签序列的最大似然：

预测阶段选择最大化条件概率：

其中y^*表示航迹最终预测的事件序列。

步骤1-1中，采用如下方法计算盘旋圈数：

记P_m和P_n分别表示盘旋事件的开始点和结束点，记录这个时间段的轨迹点集合为T＝{P_m,P_m+1...P_n}，计算相邻两个航迹点的方向(θ)以及转角(diff)，对所有转角求和作为盘旋圈数判定的特征f_i，然后利用线性回归判断盘旋圈数：

θ_i+1＝arctan(y_i+2-y_i+1,x_i+2-x_i+1)

θ_i＝arctan(y_i+1-y_i,x_i+1-x_i)

diff_i＝θ_i+1-θ_i

其中θ_i表示相邻两个航迹点P_i和P_i+1的方向，diff_i表示θ_i和θ_i+1的转角；点P_i的经纬度分别为x_i、y_i；

步骤3包括：

步骤3-1，对于预测为转向的轨迹点，按照如下方式生成文本：找到标签为转向的连续两个以上轨迹点，并将其经纬度坐标点存储为坐标集合；对于所述坐标集合，计算开始位置和结束位置的角度angle：

angle＝arctan(y₁-y₀,x₁-x₀)

其中(x₀,y₀)表示开始位置的经纬度，(x₁,y₁)表示结束位置的经纬度；angle取值范围为[-180，180]之间，按照45度作为一个区间间隔分割成8个方向，分别是东、东北、北、西北、西、西南、南、东南，然后将角度映射为对应方向：

argmin_θ|angle-θ|

选择最小的θ作为预测的方向；

步骤3-2，对于预测为盘旋的轨迹点，首先找到盘旋开始点和结束点，利用盘旋开始点和结束点这个集合(用序列表述模型得到也就是步骤2模型得到)的点预测盘旋圈数，进行文本填充。

本发明首先定义关注的事件类型，机器相关的参数，比如转向事件需要关注转向的角度；针对盘旋事件，需要关注盘旋的圈数。通过分析轨迹点及其相邻点的角度、高度变化等特征，判定每个时间点对应的事件类型。对于每个事件及其参数，采用模板填充的方式生成对应的文本。本发明自动将飞机航迹转为可读性强、反映航迹目标活动情况的文本描述。文中提及的航迹数据是一种结构化时间序列数据，包括目标在每个时间点的经度、纬度、高度、速度等原始信息；对应的文本描述是针对航迹中的事件进行描述，这里事件包括目标的出现、离开、转弯、盘旋等4种事件类型,其中转弯事件需要抽取转弯角度、盘旋事件需要抽取盘旋圈数等信息。该过程中，将航迹数据建模为序列标注问题，抽取各个时间点的多维度特征，并利用双向lstm和crf网络建模事件标签之间的关联关系，预测给定时间点的事件类型；针对特定的事件，需要抽取额外的参数，比如针对盘旋过程需要判断盘旋圈数的问题，利用线性回归判断盘旋圈数；针对轨迹生成，针对每个事件建立模板，采用基于模板填充的文本生成。

本发明的显著优点为：将航迹数据建模为序列标注问题，抽取各个时间点的多维度特征，并利用双向lstm和crf网络建模事件标签之间的关联关系，预测给定时间点的事件类型；针对特定的事件，需要抽取额外的参数，比如针对盘旋过程需要判断盘旋圈数的问题，利用线性回归判断其圈数；针对轨迹生成，针对每个事件建立模板，采用基于模板填充的文本生成。通过上述3个步骤，可以预测每个时间点轨迹对应的事件类型，并提取事件相应的参数，并根据模板生成对应的文本，实现航迹数据的文本化描述。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为本发明方法流程图。

具体实施方式

如图1所示，本发明提供了一种基于序列标注的航迹点分类及文本生成方法，具体包括如下步骤：

步骤1包括：

步骤1-1，定义目标的事件集合：

首先定义目标的事件集合，包括目标出现、离开、目标转向、盘旋，其中盘旋事件需要抽取出具体的盘旋圈数，转向事件需要抽取出转向角度；

步骤1-2，经纬度坐标向量化：

航迹序列的经纬度是连续变量，需要将该变量离散化，以便于后续模型处理。本文利用Geohash对经纬度进行分组，以实现连续变脸的离散化；

航迹序列中的每个航迹点类比为一个单词，整个航迹序列类比为一个句子，利用词向量训练算法skip-gram得到每个单词的向量表示，每个单词的向量表示就是每个轨迹点的向量表示；如表1所示是航迹点数据：

表1

步骤1-3，航迹序列统计特征的提取：以当前航迹点为中心构建一个大小为n的滑动窗口w，标记为T_w＝{P₀,P₁...P_i...P_n-1}，其中航迹点P_i＝(x_i,y_i,h_i,t_i)是一个四元组，表示维度、经度、高度和时间。如下式所示计算该滑动窗口的曲率：

其中距离distance采用欧拉距离计算

曲率表示该窗口内的移动距离之和与窗口起始、结束位置的直线距离的比值，用来刻画窗口的弯曲程度。

步骤1-4，计算窗口相对这个航迹的转角：

diff_w＝θ_window-θ_track

θ_window＝arctan(y_n-1-y_w0,x_n-1-x_w0)

θ_track＝arctan(y_T-1-y_T0,x_T-1-x_T0)

其中diff表示窗口相对整个航迹的转角，θ_window和θ_track分别表示窗口的方向角和航迹的方向角,(x_w0,y_w0)和(x_n-1,y_n-1)分别表示滑动窗口的开始点和结束点的经纬度坐标，

(x_T0,y_T0)和(x_T-1,y_T-1)分别表示航迹的开始点和结束点的坐标。

步骤1-5，轨迹点高度向量化表示：

对于航迹序列中的高度采用步骤1-2同样的方法处理，航迹序列中的高度是连续型变量，利用分位数统计量将其编码成类目变量，每个时间点的高度类比一个单词；离散化后，单个目标的轨迹变成一个序列，类比为句子；利用词向量训练算法cbow得到每个单词的向量表示，每个单词的向量表示就是每个时间点的基于高度的向量表示；

步骤1-6，利用双向长短期记忆网络(BiLSTM)建模时间序列数据，输入是航迹序列在给定时间步t的多种特征：

BiLSTM([e_t,cf_t,diff_t,eh_t])

其中e_t表示当前时间点的轨迹点得到的向量表示；

cf_t表示当前时间点的弯曲因子；

diff_t表示当前时间点的角度差值特征；

eh_t表示当前时间点的基于高度的向量表示；

步骤1-7，利用crf建模标签之间的依赖关系：

对于给定航迹序列T_i，经过步骤1-6的长短期记忆网络编码后的特征输出记为P，其维度为n×k，其中n表示航迹点个数，k表示所有事件个数,具体的P_i,j表示航迹点i映射到事件j的得分,针对其中一个输出序列y＝(y₁,y₂...y_n)，记录得分s(X,y)为：

其中矩阵A是转移矩阵，具体的A_i,j表示标签i转移到标签j的转移概率。

对航迹序列T_i所有的输出进行归一化，得到后验概率：

训练过程希望最大化正确标签序列的最大似然：

预测阶段选择最大化条件概率：

其中y^*表示航迹最终预测的事件序列。

针对盘旋事件需要额外抽取盘旋圈数，采用如下方法计算盘旋圈数：

记P_m和P_n分别表示盘旋事件的开始点和结束点，记录这个时间段的轨迹点集合为T＝{P_m,P_m+1...P_n}，计算相邻两个航迹点的方向以及转角，对所有转角求和作为盘旋圈数判定的特征f_i,然后利用线性回归判断盘旋圈数。

θ_i+1＝arctan(y_i+2-y_i+1,x_i+2-x_i+1)

θ_i＝arctan(y_i+1-y_i,x_i+1-x_i)

diff_i＝θ_i+1-θ_i

步骤3包括：

步骤3-1，对于预测为转向的轨迹点，按照如下方式生成文本：找到标签为转向的连续两个以上轨迹点，并将其经纬度坐标点存储为坐标集合；对于所述坐标集合，计算开始位置和结束位置的角度angle：

angle＝arctan(y₁-y₀,x₁-x₀)

其中(x₀,y₀)表示开始位置的经纬度，(x₁,y₁)表示结束位置的经纬度；angle取值范围为[-180，180]之间，按照45度作为一个区间间隔分割成8个方向，分别是东、东北、北、西北、西、西南、南、东南，然后将角度映射为对应方向：

argmin_θ|angle-θ|

选择最小的θ作为预测的方向；

步骤3-2，对于预测为盘旋的轨迹点，首先找到盘旋开始点和结束点，利用盘旋开始点和结束点这个集合的点预测盘旋圈数，进行文本填充。如下所示是航迹对应文本：

015108H，1架XX型机在Lon85.8Lat126.2附近出现，后向西飞行；

021728H至030631H之间该机位Lon84.1Lat126.2-Lon84.2Lat126.2-Lon84.2Lat126.1-Lon84.1Lat126.1阵位内往返飞行3周后向西南方向飞离；

032927H，该机位Lon82.5Lat126.3附近消失。

本发明提供了一种基于序列标注的航迹点分类及文本生成方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (1)

1.一种基于序列标注的航迹点分类及文本生成方法，其特征在于，包括如下步骤：

步骤1，定义目标的事件集合，针对每个航迹点构建多维度的特征，以预测航迹点的事件类型；

步骤2，针对事件，提取额外参数；

步骤3，进行参数提取和文本填充；

步骤1包括：

步骤1-1，定义目标的事件集合：

目标的事件集合中包括目标出现、离开、目标转向、盘旋事件，其中盘旋事件需要抽取出具体的盘旋圈数，转向事件需要抽取出转向角度；

步骤1-2，经纬度坐标向量化；

步骤1-3，航迹序列统计特征的提取；

步骤1-4，计算窗口相对整个航迹的转角；

步骤1-5，轨迹点高度向量化表示：

步骤1-6，利用双向长短期记忆网络BiLSTM建模时间序列数据；

步骤1-7，利用crf建模标签之间的依赖关系；

步骤1-1中，采用如下方法计算盘旋圈数：

记第m个航迹点P_m和第n个航迹点P_n分别表示盘旋事件的开始点和结束点，记录这个时间段的轨迹点集合为T＝{P_m，P_m+1...P_n}，计算相邻两个航迹点的方向以及转角，对所有转角求和作为盘旋圈数判定的特征f_i，然后利用线性回归判断盘旋圈数：

θ_i+1＝arctan(y_i+2-y_i+1，x_i+2-x_i+1)

θ_i＝arctan(y_i+1-y_i，x_i+1-x_i)

diff_i＝θ_i+1-θ_i

其中θ_i表示相邻两个航迹点P_i和P_i+1的方向，θ_i+1表示相邻两个航迹点P_i+1和P_i+2的方向，diff_i表示θ_i和θ_i+1的转角；第i个航迹点P_i的经纬度分别为x_i、y_i；

步骤1-2包括：航迹序列中的经纬度是连续变量，利用Geohash对经纬度进行分组，实现连续变脸的离散化；

航迹序列中的每个航迹点类比为一个单词，整个航迹序列类比为一个句子，利用词向量训练算法skip-gram得到每个单词的向量表示，每个单词的向量表示就是每个轨迹点的向量表示；

步骤1-3包括：以当前航迹点为中心构建一个大小为n的滑动窗口w，标记为T_w＝{P₀，P₁...P_i...P_n-1}，其中第i个航迹点P_i＝(x_i，y_i，h_i，t_i)是一个四元组，x_i，y_i，h_i，t_i分别表示第i个航迹点的纬度、经度、高度和时间；如下式所示计算滑动窗口的曲率s_window：

其中距离采用欧拉距离计算：

distance(P_i，P_j)表示第i个航迹点P_i和第j个航迹点P_j的距离；

曲率表示该窗口内的移动距离之和与窗口起始、结束位置的直线距离的比值，用来刻画窗口的弯曲程度；

步骤1-4包括：采用如下公式计算窗口相对整个航迹的转角：

diff_w＝θ_window-θ_track

θ_track＝arctan(y_T-1-y_T0，x_T-1-x_T0)

其中diff_w表示窗口相对整个航迹的转角，θ_window和θ_track分别表示窗口的方向角和航迹的方向角；(x_w0，y_w0)和(x_n-1，y_n-1)分别表示滑动窗口的开始点的经纬度坐标和结束点的经纬度坐标，(x_T0，y_T0)和(x_T-1，y_T-1)分别表示航迹的开始点的坐标和结束点的坐标；

步骤1-5包括：航迹序列中的高度是连续型变量，利用分位数统计量将其编码成类目变量，每个时间点的高度类比一个单词；离散化后，单个目标的轨迹变成一个序列，类比为句子；利用词向量训练算法cbow得到每个单词的向量表示，每个单词的向量表示就是每个时间点的基于高度的向量表示；

步骤1-6中，所述利用双向长短期记忆网络BiLSTM建模时间序列数据，输入是航迹序列在给定时间步t的多种特征：

BiLSTM([e_t，cf_t，diff_t，eh_t])

其中e_t表示当前时间点的轨迹点得到的向量表示；

cf_t表示当前时间点的弯曲因子；

diff_t表示当前时间点的角度差值特征；

eh_t表示当前时间点的基于高度的向量表示；

步骤1-7包括：对于给定航迹序列T_i，经过步骤1-6的长短期记忆网络编码后的特征输出记为P，其维度为n×k，其中n表示航迹点个数，k表示所有事件个数，P_i，j表示航迹点i映射到事件j的得分；针对其中一个输出序列y＝(y₁，y₂...y_n)，记录得分s(X，y)为：

其中矩阵A是转移矩阵，具体的A_i，j表示标签i转移到标签j的转移概率；

对航迹序列T_i所有的输出进行归一化，得到后验概率p(y|X)：

其中Y_X表示针对输入序列X的所有事件集合；

是Y_X中的一个元素；

训练过程要求最大化正确标签序列的最大似然：

预测阶段选择最大化条件概率：

其中y^*表示航迹最终预测的事件序列；

步骤3包括：

步骤3-1，对于预测为转向的轨迹点，按照如下方式生成文本：找到标签为转向的连续两个以上轨迹点，并将其经纬度坐标点存储为坐标集合；对于所述坐标集合，计算开始位置和结束位置的角度angle：

angle＝arctan(y₁-y₀，x₁-x₀)

其中(x₀，y₀)表示开始位置的经纬度，(x₁，y₁)表示结束位置的经纬度；angle取值范围为[-180，180]之间，按照45度作为一个区间间隔分割成8个方向，分别是东、东北、北、西北、西、西南、南、东南，然后将角度映射为对应方向：

argmin_θ|angle-θ|

选择最小的θ作为预测的方向；

步骤3-2，对于预测为盘旋的轨迹点，首先找到盘旋开始点和结束点，利用盘旋开始点和结束点这个集合的点预测盘旋圈数，进行文本填充。

Images