(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211107991.4 (22)申请日 2022.09.13 (71)申请人 四川华能泸定水电有限公司 地址 626100 四川省甘孜藏族自治州泸定 县得妥镇马列村1组5 5号 申请人 中清控 （武汉） 科技有限公司 (72)发明人 范庆龙　聂亮　吴少儒　闫生存　 高向友　万方玲　李联书　殷滋　 王浩然　杨树仁　孙志敏　戴巍　 陈洪阳　赵娟　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 褚晓英 (51)Int.Cl. G06Q 50/26(2012.01)G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于LSTM的隧道人员时空伴随关系分 析方法及系统 (57)摘要 本发明公开了一种基于LSTM的隧道人员时 空伴随关系分析方法及系统， 方法包括： 获取施 工人员的实际移动轨迹， 进行轨迹点邻近度计算 和优化， 建立人员轨迹伴随度模型； 根据所述人 员轨迹伴随度模 型， 进行隧道人员轨迹伴随关系 归类， 并进行轨迹聚类质量评价； 利用长短时间 记忆网络对 所述模型进行训练和测试； 本发明能 有效评价水电工程隧道施工人员移动轨迹相似 性， 在解决伴随关系对象组的发现问题中取得了 较好的聚类效果和效率。 另外， 利用LSTM神经网 络对伴随关系对象的移动轨迹进行了预测和验 证， 取得了很好的效果， 提高了隧道施工人员安 全管理的智能化水平。 权利要求书3页 说明书11页 附图4页 CN 115511682 A 2022.12.23 CN 115511682 A 1.一种基于LSTM的隧道人员时空伴随关系分析 方法， 其特 征在于， 包括： 获取施工人员的实 际移动轨迹， 进行轨迹点邻近度计算和优化， 建立人员轨迹伴随度 模型； 根据所述人员轨迹伴随度模型， 进行隧道人员轨迹伴随关系归类， 并进行轨迹聚类质 量评价； 利用长短时间记 忆网络对所述模型进行训练和 测试。 2.如权利要求1所述的基于LSTM的隧道人员时空伴随关系分析方法， 其特征在于， 所述 获取施工人员的实际移动轨迹包括： 使用水电工程隧道内安装的RFID 定位设备获取施工人 员的移动轨迹， 所述移动轨迹包括轨迹 点的时间和空 间信息； 施工人员在一 段时间t1～tn内 走过的时空轨迹序列可由{(p1,t1),(p2,t2)，…， (pn,tn)}表示， 其中p1～pn分别表示 时间t1 ～tn所对应的轨 迹点。 3.如权利要求1所述的基于LSTM的隧道人员时空伴随关系分析方法， 其特征在于， 所述 轨迹点邻近度计算和优化包括： 将轨迹点定义为Pi， 其中i∈(1,2,3,....T)， T为时刻值； Pi ＝f(xi,yi,di)， 其中xi， yi为定位基站坐标， di为人员与基站 距离； 将区域定义 为Ai， 其中i∈(1,2,3,. ...N)， N为区域数量； 将不同区域的相似度定义为φ(Ai,Aj)， i， j为不同的区域； φ(Ai,Aj)值由区域的路径 长 度给出； 将轨迹邻近度Φ(pi,pj)表示为： Φ(pi,pj)＝φ(Aa,Ab)+E(pi,pj)， 其中pi， pj分别为区域 Aa， Ab中轨迹点， E(pi,pj)为pi， pj的欧式距离； 当a＝b， 则pi， pj位于同一区域， φ(Aa,Ab)＝0， 则Φ(pi,pj)＝E(pi,pj)； 当pi， pj不位于同一区域， φ(Aa,Ab)≠0， 假设空间路径是规则的， 有如下2种定义： 当pi， pj所在区域能够由较简单的路径连通时， 依据其几何中心的固定距离值计算轨 迹点邻近度， 表示 为： φ(pi,pj)＝c±dab≈φ(Aa,Ab) ±dab 其中c为常数， dab为当pi， pj处于不同定位维度区域时所设计的欧式距 离修正值， 其值为 常数； 当pi， pj所在区域很难连通， 则这2点的邻近度很小， 令φ(pi,pj)＝M； 对所述轨迹点邻近 度计算中所有情形的点邻近度值， 有φ(pi,pj)≥M。 4.如权利要求3所述的基于LSTM的隧道人员时空伴随关系分析方法， 其特征在于， 所述 轨迹点邻近度计算和优化还包括： 引入轨迹位置扩展轨迹原始数据形式， 将轨迹的坐标点 序列和位置语义序列描述 为： Sp＝{p1,p2,p3,…,pn} SR＝{R1,R2,R3,…,Rn} 式中， pi为轨迹序列 Sp的第i个坐标点， Ri为位置语义序列中的第i个区域， 对应pi所在的 区域； 由坐标和位置语义构成的轨迹点可以由向量v ＝{xi,yi,di,Ri}来描述， 则目标轨迹序列 可以表示成： Or＝{v1,v2,v3,…,vn} 式中， n为1条轨迹序列包 含的轨迹点个数；权　利　要　求　书 1/3 页 2 CN 115511682 A 2轨迹序列Ori与Orj的距离可由双向距离来计算： H(Ori,Orj)＝max{h(Ori,Orj),h(Orj,Ori)} h(Ori,Orj)＝max{mi n[φ(vu,vw)]} h(Orj,Ori)＝max{mi n[φ(vw,vu)]} 对整个轨迹数据集计算每2条轨迹的改进距离， 再进行归一化处理， 获得数据集中轨迹 间的相似度 δ， 计算公式为： δ(Ori,Orj)＝(max{H(Ori,Orj)}‑H(Ori,Orj))/(max{H(Ori,Orj)}‑min{H(Ori,Orj) 式中， δ∈(0,1)。 5.如权利要求1所述的基于LSTM的隧道人员时空伴随关系分析方法， 其特征在于， 所述 轨迹伴随关系归类包括： 对所述轨 迹数据集D＝{Or1,Or2,Or3,…,Orm}， 定义如下： ε‑邻域： 对Ori∈D， 其中ε ‑邻域包含样本集D中Ori的距离不大于 ε 的样本； Nε(Ori)＝{Ori∈DD|H(Ori,Orj)≤ ε } 核心轨迹数量： Ori的ε‑邻域至少包 含Minpts个样本； 密度直达： 若Orj位于Ori的ε‑邻域中， 且Ori是核心轨 迹， 则称Orj由Ori密度直达 。 6.如权利要求1所述的基于LSTM的隧道人员时空伴随关系分析方法， 其特征在于， 所述 轨迹聚类质量评价包括： 从内部质量I和外部质量O两个方面进行评价； 所述内部质量包括 TP和FN两个评价指标， 外部质量采用FP和TN作为评价指标； TP表示两个同类样本点在同一 个簇中的情况数量， FP表示两个非同类样本点在同一个簇中的情况数量， TN表示两个非同 类样本点分别在两个簇中的情况数量， FN表示两个同类样本点分别在两个簇中的情况数 量； 基于TP、 FN、 FP、 TN， 在隧道工程施工的不 同班组内部， 建立伴随关系， 对整个班组的移 动情况进 行分析， 如 若发现有 人离队或者未按规定路线移动， 第一时间发出预警； FN表 示同 一个班组中离队人员的占比； 在不同班组之间， 采用FP和TN进 行评价， FP表 示的是不同班组 人员间相互伴随， 即轨迹重合的占比， TN表 示的是不同班组人员间轨迹不重合的占比。 建立 隧道工程人员伴随轨 迹聚类纯度指标P， 其计算公式如下： 其中， N表示总的人数， ω＝{w1,w2,w3,…,wk}表示聚类后的簇,c＝{c1,c2,c3,…,ck}表 示正确的类别， wk表示聚类后第k个簇中的所有样本， cj表示第j个 类别中真实的样本 。 7.如权利要求1所述的基于LSTM的隧道人员时空伴随关系分析方法， 其特征在于， 所述 训练和测试包括： 根据所述轨迹伴随关系归类结果， 筛选出可能存在伴随关系的对象， 将所 述轨迹点邻近度当作输入， 利用长短时间记忆网络对点邻近度变化趋势进行预测， 分析人 员伴随关系的演 变， 同时对比验证轨迹聚类结果的有效性； 得到所述邻近度数据后， 将数据 集划分为训练集和测试集， 将点邻近度序列前75％的数据作为训练集， 后25％的数据作为 测试集。 8.一种基于LSTM的隧道人员时空伴随关系分析系统， 其特 征在于， 包括： 获取模块， 用于获取施工人员的实际移动轨迹， 进行轨迹点邻 近度计算和优化， 建立人 员轨迹伴随度模型；权　利　要　求　书 2/3 页 3 CN 115511682 A 3