海外研学行为序列的时序神经网络风险推断方法及系统与流程

本发明涉及机器学习与时序数据处理，具体涉及一种针对海外研学参与者的行为观测序列进行在线风险推断、对持续渐变的行为演变进行检出并输出分级提示的方法及系统。

背景技术：

1、在跨境开展的研学活动中，参与者在一段时间内脱离原有的家校监护体系，活动场所分散于集体行程、寄宿住所与自主活动等多种场合，负有管理职责的主体分布于组织机构、带队人员、境外接待方与监护人等多方，且受地理跨度与时差影响，管理侧的响应半径显著大于境内同类活动。因此，管理侧需要依托信息化手段，对参与者在行程期间的行为状态进行掌握。

2、目前，此类活动通用的做法，是在预定的时间点或者预定的地点采集参与者的状态，例如定时签到、位置上报、集体活动点名，并在参与者的位置超出预设范围时发出提示。此类做法的采集是离散的，相邻两次采集之间的时段不产生数据；其判定也是逐次进行的，以单次采集所得的状态是否越出预设范围作为依据。由此，管理侧所能获得的是若干个彼此独立的状态快照，而实际所需要判断的，是参与者的行为在整个行程期间的持续变化过程，即在每一次采集所得的状态均处于预设范围之内的情况下，其行为整体是否正在发生某种持续的改变。

3、为突破上述局限，相关技术开始将参与者的行为数据按时间先后组织为行为序列，并引入机器学习模型对该序列进行处理。例如，公开号为cn121170898a的专利申请公开了一种基于深度学习的校园异常行为检测方法和系统，该方案采集每个学生的校服射频识别标签的时序数据并进行预处理，基于预处理后的时序数据构建每个学生位置的轨迹特征背景向量，再根据当前时刻轨迹特征向量与该轨迹特征背景向量，利用动态注意力机制实时评估异常程度并获得异常评分，根据异常评分生成分级预警信息并推送到管理终端。其中，所述轨迹特征背景向量由该学生所有时刻的轨迹特征向量按各自对应的轨迹注意力权重加权求和而生成；所述分级预警所用的预警阈值，则根据一级基准阈值、二级基准阈值、阈值调整系数以及背景一致性得分自适应地生成。相对于依赖定时签到与固定范围判定的通用做法，该方案将判定的参照由统一的预设范围改为由个体自身历史所生成的参照，在一定程度上提升了对个体差异的适应能力与判定的实时性。

4、然而，该方案用以实现上述效果的手段，在结构上带来相应的后果。其一，作为判定参照的轨迹特征背景向量，由该个体各时刻的轨迹特征向量按权重加权求和得到，而加权求和的结果与参与求和的各项在序列中的先后次序无关；因此，对同一组时刻的特征向量作次序上的重排，所得的轨迹特征背景向量以及据其得到的异常评分均不发生改变。其二，该轨迹特征背景向量由被测个体自身的历史数据生成，并随该个体历史数据的推移而更新；因此，该判定参照与被测数据处于同向移动的关系之中。其三，据以自适应生成预警阈值的背景一致性得分，度量的是加权求和所得的背景向量与各时刻轨迹特征向量的算术均值之间的接近程度，即序列内部各时刻之间的一致程度。

5、由上述结构可以看出，对于幅度在各次采集之间缓慢累积、而任一时刻均未越过判定门限的持续单向的行为变化，该类方案容易在该变化被识别之前即将其纳入判定参照本身，使当前时刻与参照之间的偏离量趋于不增反降；同时，此类持续而平稳的变化倾向于使序列内部各时刻之间的一致程度升高，进而使据其自适应生成的预警阈值随之抬高。

6、此外，公开号为cn118397519b的专利申请公开了一种基于人工智能的校园学生安全监视系统及方法，该方案将行为数据与环境参数输入基于变分自编码器的多模态融合深度学习模型以输出统一行为嵌入向量序列，利用改进双重决策q学习算法对正常行为进行建模以生成基线行为模式，再基于马尔可夫决策算法计算异常分数并获取其置信度，当异常分数与置信度均达到预设值时作出判定。公开号为cn108388969a的专利申请公开了一种基于个人行为时序特征的内部威胁人物风险预测方法，该方案对累计历史行为信息进行量化采样、预加重和加窗等预处理并提取数字特征，据以训练基于长短期记忆网络的风险预测模型，进而输出风险预测评估与分层预警。

7、公开号为cn121483597a的专利申请公开了一种基于人工智能技术的患者生命体征异常检测方法，该方案基于历史监测记录对多维特征数据集进行多维分布学习，建立个体基线模型并在该模型中确定反映正常状态的综合参考区间；将实时监测所得的多维特征向量输入该个体基线模型，计算其在所述综合参考区间中的偏离程度；进而对偏离特征数据执行聚类分析与趋势分析，计算多维特征向量的变化方向一致性与持续变化幅度，据以得到连续时间窗口内的累计变化指标与动态置信评分；当所述动态置信评分持续超过自适应阈值时判定存在异常事件，并根据异常事件的特征更新所述个体基线模型的特征权重与综合参考区间。就该方案的判定环节而言，其所累计的是包含变化幅度在内的综合指标，而非丢弃幅度之后的方向本身；其据以比较的阈值由该个体的历史记录与已确认事件校准得到；且所述个体基线模型在判定发生之后继续被更新。

8、已确认事件校准得到，且所述个体基线模型在判定发生之后继续被更新。

9、上述各方案在判定参照的生成方式上分别采用注意力加权、强化学习建模、定长加窗与多维分布学习，在模型形式上分别采用注意力机制、马尔可夫决策、长短期记忆网络以及聚类与趋势分析；就本发明所关注的判定环节而言，其共同之处在于，均以当前状态相对于由被测个体自身历史所生成之参照的偏离量作为风险的度量，并将该偏离量与门限相比较后输出等级。

10、上述共同形式在数学上对序列的时间顺序不敏感，将同一段行为序列任意重排，参照与判据输出均不改变，因而无法利用单向变化的累积量随观测时长线性增长、而随机波动的累积量仅随观测时长的平方根增长这一可分辨性来源；与此同时，该判据的零点由被测个体自身的历史生成并随之滚动，使持续单向的行为演变在被检出之前即被吸收为新的参照，判据输出不增反降，且以序列同质性作为置信指标的自适应门限在此工况下被反向抬高。二者被同一个量捆死，即判据零点相对被测序列的跟随强度：提高该跟随强度可获得个体适配与低误报，却使判据丧失时间累积性；降低该跟随强度可使判据获得时间累积性，却使个体间的正常差异全部转化为误报。现有技术只能在这一个参数上二选一，无法同时获得。

11、由此可见，现有技术难以在不产生个体间误报的前提下，对参与者在整个行程期间持续渐变而任一时刻均未越过判定门限的行为演变进行检出，亟需一种新的风险推断方法及系统加以解决。

技术实现思路

1、针对现有技术的上述不足，本发明所要解决的技术问题在于：如何使风险判据在不以被测个体自身历史滚动生成的基线作为零点的前提下，获得对行为序列中单向累积分量的时间敏感性，从而在个体间正常差异不被误判为异常的同时，检出持续渐变、而任一时刻均未越过判定门限的行为演变。

2、上述技术问题的症结在于：任何以统计量与门限相比较而作出的判定，其门限的确定都必须回答一个问题，即该统计量在正常情形下服从何种分布。现有做法对该问题的回答，是以被测对象自身的观测或以样本集去估计该分布；判据零点之所以依赖被测数据并随之滚动，其根源即在于此。

3、本发明的构思在于：不去改进对正常情形下统计量分布的估计，而是使该分布不必被估计。"正常情形下统计量服从何种分布"这一在现有做法中必须由数据回答的问题，在本发明中被转化为一个在训练阶段由构造予以保证的事实。本发明的其余各环节，或为使该构造得以成立所必需，或为该构造的直接后果。

4、为解决上述技术问题，本发明提供一种海外研学行为序列的时序神经网络风险推断方法。

5、本发明的时序神经网络在其训练目标中设置各向同性约束项，该约束项使正常样本的增量方向向量在单位球面上的分布逼近均匀分布。单位球面上的均匀分布是一个完全由维数确定的已知数学分布，其上若干个单位向量之和的模长所服从的分布可由方向统计学中超球面均匀性检验的已知结果解析给出。故经该整形之后，正常情形下风险统计量所服从的分布即成为一个仅由累积个数与向量维数确定的已知对象，判定门限随之仅由累积个数、向量维数与显著性水平算出，不再需要由任何观测数据估计得到。

6、为使上述整形得以成立，本发明对被整形的对象及其在推断阶段的保持作如下限定。

7、首先，为使被整形的对象与被测个体无关，本发明采集研学参与者的多源行为观测，按统一时基对齐后对每一有效时基点构造多维行为状态向量，得到行为状态序列，并对该行为状态序列取相邻时基点的差值，得到行为增量序列。不同研学参与者在作息早晚、活动半径大小、社交频次高低上的固有差异，体现为行为状态向量的整体平移，而相邻时基点之差对该整体平移严格不变。

8、其次，为使被整形的对象落在目标分布的定义域之内，本发明将所述行为增量序列输入所述时序神经网络得到增量嵌入向量，并对该增量嵌入向量依次进行白化处理与单位化处理，得到增量方向向量，同时丢弃所述增量嵌入向量的模长。白化处理消除各维之间的相关与尺度差异所带来的方向偏置；所要整形到的目标分布定义在单位球面之上，模长不属于该分布的定义域，模长的丢弃同时消去了被测研学参与者自身的行为波动幅度。

9、再次，为使已整形成的分布在推断阶段得以保持，本发明将所述时序神经网络的网络参数与所述白化处理所采用的白化矩阵，均在研学行程开始之前确定并冻结，行程期间不随所述研学参与者的观测数据更新。

10、复次，为使方向的累积具有"变化在时间上是否朝同一方向持续"这一含义，所述编码以保留时基顺序的方式进行，且不采用对输入顺序不敏感的求和型池化运算。任何形如各时刻表示按权重加权求和的聚合，在对时刻下标作任意置换并同步置换权重之后取值不变。

11、在上述限定之下，本发明将所述增量方向向量按时基顺序逐时相加，得到累积合成向量，以所述累积合成向量的模长作为风险统计量，该风险统计量随每一有效时基点的观测同步刷新；并将所述风险统计量与前述零假设分布的分位数比较，得到风险量并据以生成分级风险提示。持续朝同一方向的分量在相加中累积，方向各自独立的分量在相加中相互抵消，故持续而缓慢的单向演变可随观测的延续在统计量上逐步显现，而无须其在任一时基点上单独越过判定门限。所累积的向量个数，既是所述风险统计量的构成参数，又是所述零假设分布的确定参数，同一个数将统计量与其比较基准两端同步锁定，使二者在观测延续的全过程中始终处于可比状态。

12、所述分位数所对应的显著性水平，由预设显著性水平除以研学行程内时基点的总数得到；该总数由行程长度与时基长度在行程开始之前确定，不由被测研学参与者的观测数据估计。所述时序神经网络经训练后，须在与训练样本集不重叠的留出样本集上通过验收：由该留出样本集算得的检验统计量，其经验分位数与所述零假设分布的相应理论分位数之差不大于预设容差。

13、由此，比较门限的计算输入收敛为累积个数、向量维数、显著性水平与行程时基点总数，其中无一由被测研学参与者的观测数据估计得出。

14、作为优选方案，所述编码可采用一维因果卷积网络、门控循环网络或带位置编码的因果自注意力网络；所述白化矩阵可由训练样本集的协方差矩阵在行程开始之前一次算定并冻结；所述各向同性约束项可采用合成模长期望逼近式或超球面均匀性能量式，并可另设去相关约束项；所述分级风险提示可按至少两个显著性水平所对应的门限划分等级；对判定为无效的时基点可暂停累积且不作插值补全；可在行程期间对滑动窗口内的增量方向向量作均匀性检验并输出判据前提失效标识；可保留增量嵌入向量的模长作为旁路量，依训练样本集模长经验分布的分位数对提示措辞作辅助标注；可并行设置至少两个不同长度的累积窗口，各窗口长度由其所要检出的漂移强度解析反解确定；可将按固定周期演变的确定性量自行为状态向量中移出、作为条件量输入所述时序神经网络；可使参与同一累积合成向量的各增量方向向量由互不重叠的编码窗口得到。

15、本发明还提供一种实现上述方法的海外研学行为序列的时序神经网络风险推断系统，包括观测归一化模块、增量嵌入模块、方向整形模块、方向累积模块、风险判定模块、有效性处置模块、只读配置存储模块与管理终端，各模块与方法各环节一一对应，并沿与上述限定一致的数据流相互支持。方向整形模块所施加的各向同性约束，是风险判定模块所依据的零假设分布得以成立的前提；方向整形模块所丢弃的模长，是风险判定模块的比较门限不含任何自被测研学参与者估计的参数的前提。本发明还提供一种电子设备与一种计算机可读存储介质，作为实现上述方法与系统的载体。

16、本发明的有益效果为：

17、本发明的有益效果为：在比较门限不含任何自被测研学参与者估计的参数的前提下，风险判据仍具有随观测延续而单调增强的时间累积性。上述两项要求，在现有的判定形式下由判据零点相对被测序列的跟随强度这一个参数同时决定，提高该跟随强度则前者得而后者失，降低该跟随强度则后者得而前者失，只能择其一；本发明使二者同时成立。

18、该效果得以成立，在于本发明不对正常情形下风险统计量所服从的分布作估计，而将其构造为已知：经所述各向同性约束项训练并通过验收判据之后，正常情形下累积合成向量的模长所服从的分布，成为仅由已参与相加的增量方向向量的个数与该向量的维数确定的已知对象；比较门限随之仅由该个数、该维数、显著性水平与行程时基点总数算出，其中该个数为计数量，该维数为网络输出维数，显著性水平由监管策略给定，行程时基点总数由行程安排与时基长度确定，无一由被测研学参与者的观测数据估计得出。

19、在此前提之下，本发明进一步取得下列效果。其一，不同研学参与者在行为绝对水平上的固有差异，即表现为行为状态向量整体平移者，经取相邻时基点的差值在代数上被严格消去，不进入其后任何环节。其二，对于在增量方向上表现为持续偏向的变化，其风险统计量的平方的期望随累积个数按二次方增长，而比较门限的平方随累积个数按一次方增长，故该变化纵使在各时基点上的幅度均未越过判定门限，仍必然在某一累积个数处使风险统计量越出门限。其三，前项所述的累积个数，以及在给定累积个数下可检出的最小漂移强度，均可由累积个数、该向量的维数与显著性水平解析算出，使部署者在观测开始之前即可确定所需的观测长度。

20、上述效果并非各环节效果的叠加，而以各环节在功能上彼此支持为其成立条件。若不取相邻时基点的差值，被整形的对象含有个体固定偏移，各被测个体的方向分布中心互不相同，同一个已知分布不能对全部个体同时成立；若不作单位化处理并丢弃模长，被整形的对象不落在单位球面之上，单位球面上的均匀分布无从适用；若训练目标不含各向同性约束项，正常情形下的方向分布未知，零假设分布无从解析给出；若网络参数与白化矩阵在行程期间继续更新，训练阶段所整形成的分布随之漂移，已知的零假设分布在推断阶段不再成立；若不设方向累积环节，则不产生风险统计量，亦不产生判定能力。上述任一环节缺失，所述效果均非程度上的减弱，而是不复成立。

21、与现有做法相比，本发明的技术构思在于不对正常情形下统计量所服从的分布作估计，而将该分布构造为已知，与以被测对象自身观测或以样本集估计该分布的做法不同。且本发明可在观测开始之前解析算出所需的观测长度与可检出的最小漂移强度；而以被测对象自身历史生成判定基准的做法，因其基准依赖尚未取得的观测数据，在原理上无法于部署之前给出该边界。

22、此外，本发明的优选技术方案还具有下述效果：对判定为无效的时基点暂停累积且不作插值补全，使观测的缺失不被计为行为的无变化；对滑动窗口内的增量方向向量作均匀性检验并输出判据前提失效标识、且该标识不用于调节比较门限，使判据成立的前提可被持续监控而不破坏门限不含被测个体参数这一性质；保留增量嵌入向量的模长作为旁路量并仅用于对已定风险等级作辅助修饰，使幅度信息得以利用而不进入主判据；并行设置至少两个不同长度的累积窗口并由所要检出的漂移强度解析反解各窗口长度，使漂移强度事先未知时不同强度的漂移各由与其相匹配的窗口检出；将按固定周期演变的确定性量作为条件量而不使其进入被差分的行为状态向量、以及使参与同一累积合成向量的各增量方向向量由互不重叠的编码窗口得到，均使前述已知分布在真实观测条件下的成立性得到保障。上述各项的计算输入均不含任何自被测对象估计的参数。

23、本发明在真实研学行为数据上的量化表现，包括误报频次、检出比例与检出提前量，以及残余各向异性的实际可达水平，须经真实数据上的训练与留出集测试测定，本说明书不对其数值作断言。