基于通信及移动模式分析的异常集群行为征兆检测

利用信息科学的技术手段研究社会集群行为的现象和规律、是当前学术界关注的新兴方向，本项目围绕异常集群活动征兆信息实时检测，从智能信息处理和数据挖掘角度出发，研究集群移动及通信模式的异常检测，集群通信异常检测的目标是在大规模活动的组织阶段就事先预警，集群移动异常检测的目标是在异常事件（如社会安全事件、自然灾害等）发生时及时报警。本研究面对的异常模式检测不同于传统数据挖掘领域的研究对象，需要对静态、动态、可变数据粒度、可变时间尺度等多种异常模式进行综合检测，需要综合利用图像处理、信号处理、数据挖掘等多学科的技术。

完成了集群移动模式和集群通信模式异常检测的研究，发表论文19篇，其中，1篇发表于Transportation Research C，1篇获得国际会议最佳论文奖。主要成果：（1）粒子群分布和运动异常模式检测在社会计算领域是一个新课题，建立了基于图像纹理分析的方法体系，首先对于分布在各个网格内的粒子群计算分形维数，然后再利用数据挖掘领域的异常检测方法自动检测出异常粒子群分布，2010年12月获得IEEE/ACM International Conference on Cyber, Physical and Social Computing (CPSCom) 最佳论文奖；（2）人群分布可以看作是动力系统的静态状态，人群移动则相当于系统状态的动态演化，而状态演化轨迹表现出的异常往往比单个状态表现出的异常更为显著，基于此认识，项目组研究了状态序列的异常检测，以城市交通流为实验对象，提出了基于状态空间高维形状和流形分析的交通流动态演化特征提取方法，以此为基础研究了城市交通流异常检测和聚类；（3）利用多传感器数据的时空关联进行交通流预测是当前的主流研究方向，但是如何确定各传感器数据时空关联的范围和程度是一个迫切需要解决的问题。现有研究大都着眼于从局部拥塞的传播中预见新的拥塞，因此预测模型使用的数据源基本上都局限于临近10多个节点时空关联数据。本项目通过实验研究观察到：交通拥堵的先期征兆存在于大范围的时空关联数据中，往往超过100个传感器，这与传统认识是相反的；对于不同的节点，可以获得最佳预测效果的关联传感器的数目是不同的，而关联传感器可以通过特征选择技术获得；基于特征选择确定时空关联的范围和程度，提出了交通流预测研究的新思路；（4）一些大规模群体事件爆发前会有一个组织的过程，会表现为电信网络上的通信模式异常，对于移动通信数据流中的异常模式检测进行了研究，提出了一些方法。