基于电磁频谱数据挖掘的社会性群体行为识别方法、计算机装置和存储介质与流程

1.本发明涉及数据挖掘技术领域，尤其是一种基于电磁频谱数据挖掘的社会性群体行为识别方法、计算机装置和存储介质。


背景技术：

2.社会性群体行为是指人群的社会活动所表现出的行为，例如春运、观看体育运动会、救灾、地铁疏散人流等行为都可以归类为社会性群体行为，识别社会性群体行为的特征有助于进行人流管理、资源调配等社会管理和决策工作。现代社会中，人们普遍使用手机、平板电脑、可穿戴设备等使用电磁无线通信的设备，由于这些设备具有被随身携带并且几乎时刻发出信号等特点，因此被应用在社会性群体行为的识别，例如，将手机通信产生的数据与社会性群体行为分布相联系并作分析。但是，现有技术需要从运营商获取手机通信产生的数据，并可能需要解析手机通信产生的数据以确认其中的内容，这涉及数据的权属以及隐私等问题，从而使得现有技术面临较大的局限性。


技术实现要素：

3.针对上述至少一个技术问题，本发明的目的在于提供一种基于电磁频谱数据挖掘的社会性群体行为识别方法、计算机装置和存储介质。
4.一方面，本发明实施例包括一种基于电磁频谱数据挖掘的社会性群体行为识别方法，包括：
5.获取第一区域中进行的无线电通信的频段占用度；
6.获取所述第一区域中社会性群体行为的特征数据；
7.从所述特征数据中提取出最优特征子集；
8.通过地理加权回归模型确定所述频段占用度与所述最优特征子集之间的相关关系；
9.通过时间序列模型对所述最优特征子集进行时变行为分析，获得第一时间序列；
10.根据所述频段占用度与所述最优特征子集之间的相关关系以及所述第一时间序列，使用深度学习模型构建社会性群体行为预测模型；
11.使用所述社会性群体行为预测模型进行社会性群体行为识别。
12.进一步地，所述获取第一区域中进行的无线电通信的频段占用度，包括：
13.通过aoa/tdoa算法，确定信号源所处的所述第一区域的位置；
14.在所述第一区域中，通过监测移动无线通信设备获取电磁频谱监测数据；
15.根据所述电磁频谱监测数据计算所述频段占用度。
16.进一步地，所述获取所述第一区域中社会性群体行为的特征数据，包括：
17.测量所述第一区域中的人群活动轨迹数据；
18.对所述人群活动轨迹数据进行相关性分析、因子分析或聚类分析，所得结果作为
所述特征数据。
19.进一步地，所述从所述特征数据中提取出最优特征子集，包括：
20.使用主成分分析法对所述特征数据进行降维处理，获得所述最优特征子集。
21.进一步地，所述根据所述频段占用度与所述最优特征子集之间的相关关系以及所述第一时间序列，使用深度学习模型构建社会性群体行为预测模型，包括：
22.根据所述频段占用度与所述最优特征子集之间的相关关系，确定与所述第一时间序列相对应的第二时间序列；
23.以所述第二时间序列作为所述深度学习模型的输入，以所述第一时间序列作为所述深度学习模型的预期输出，对所述深度学习模型进行训练；
24.将经过训练的所述深度学习模型作为所述社会性群体行为预测模型。
25.进一步地，所述深度学习模型为循环神经网络、图神经网络、决策树模型、随机森林模型、马尔科夫模型或arma模型。
26.进一步地，基于电磁频谱数据挖掘的社会性群体行为识别方法还包括：
27.通过地理信息系统，对所述根据所述频段占用度与所述最优特征子集之间的相关关系进行可视化。
28.进一步地，所述使用所述社会性群体行为预测模型进行社会性群体行为识别，包括：
29.获取特定区域中一段时间内进行的无线电通信的频段占用度；
30.将所述频段占用度输入至所述社会性群体行为预测模型；
31.根据所述社会性群体行为预测模型的输出结果，确定社会性群体行为的特征。
32.另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行基于电磁频谱数据挖掘的社会性群体行为识别方法。
33.另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行基于电磁频谱数据挖掘的社会性群体行为识别方法。
34.本发明的有益效果是：实施例中的基于电磁频谱数据挖掘的社会性群体行为识别方法，通过对人群使用的无线电通信的频段占用度进行分析，可以识别出社会性群体行为的特征，这些信息可以用于人流管理、资源调配等社会管理和决策工作，提高这些工作的效率。与现有技术相比，实施例中的基于电磁频谱数据挖掘的社会性群体行为识别方法无需依赖识别无线信号所包含的数据内容，只需进行物理层面的分析即可完成识别，并且监测过程不会对通信过程以及无线电环境造成干扰，在合法进行的前提下无需经过通信运营商或者用户，不会有因截取了数据而侵犯隐私的风险，因此实施难度小。
附图说明
35.图1为实施例中基于电磁频谱数据挖掘的社会性群体行为识别方法的流程图；
36.图2为实施例中基于电磁频谱数据挖掘的社会性群体行为识别方法的原理图；
37.图3为实施例中基于电磁频谱数据挖掘的社会性群体行为分布监测平台的示意图；
38.图4为实施例中第一移动通信运营商的主要工作频段的示意图；
39.图5为实施例中第二移动通信运营商的主要工作频段的示意图；
40.图6为实施例中第三移动通信运营商的主要工作频段的示意图；
41.图7为实施例中对若干个地区应用基于电磁频谱数据挖掘的社会性群体行为识别方法的效果示意图。
具体实施方式
42.本实施例中，参照图1，基于电磁频谱数据挖掘的社会性群体行为识别方法包括以下步骤：
43.s1.获取第一区域中进行的无线电通信的频段占用度；
44.s2.获取第一区域中社会性群体行为的特征数据；
45.s3.从特征数据中提取出最优特征子集；
46.s4.通过地理加权回归模型确定频段占用度与最优特征子集之间的相关关系；
47.s5.通过时间序列模型对最优特征子集进行时变行为分析，获得第一时间序列；
48.s6.根据频段占用度与最优特征子集之间的相关关系以及第一时间序列，使用深度学习模型构建社会性群体行为预测模型；
49.s7.使用社会性群体行为预测模型进行社会性群体行为识别。
50.步骤s1
‑
s7的原理如图2所示。
51.步骤s1，也就是获取第一区域中进行的无线电通信的频段占用度这一步骤，具体包括以下步骤：
52.s101.通过aoa/tdoa算法，确定信号源所处的第一区域的位置；
53.s102.在第一区域中，通过监测移动无线通信设备获取电磁频谱监测数据；
54.s103.根据电磁频谱监测数据计算频段占用度。
55.在执行步骤s101
‑
s103前，可以先进行数据预处理，将已有的频谱数据转换成易于计算的格式，保留必要的信息，剔除多余信息，可以实现频谱数据格式规整化，减少存储空间，提高后续计算速度。步骤s101
‑
s103的流程和原理在于：步骤s101中，对获得的频谱数据进行区域分类，定位信号源空间位置，通过aoa/tdoa算法，调整与信号源相关的参数，结合地理信息辅助，可以获取属于特定区域的频谱数据，从而得到高精度的区域社会性群体行为，其中的信号源可以是手机、平板电脑、蓝牙耳机、智能手环等使用电磁无线通信的设备，其中的第一区域是指特定的区域，例如某一特定的人群在使用手机、平板电脑、蓝牙耳机、智能手环时所处的区域；步骤s102中，可以通过通信运营商获取电磁频谱监测数据，也可以不通过通信运营商，使用第三方设置的仪器来对移动无线通信设备进行监测，从而获取电磁频谱监测数据，根据特定区域也就是第一区域中的频谱数据，计算该区域的频段占用度。
56.步骤s2，也就是获取第一区域中社会性群体行为的特征数据这一步骤，具体包括以下步骤：
57.s201.测量第一区域中的人群活动轨迹数据；
58.s202.对人群活动轨迹数据进行相关性分析、因子分析或聚类分析，所得结果作为特征数据。
59.步骤s201
‑
s202的原理在于：可以通过手机上安装的卫星定位系统或者基站定位
系统，预先测量人群活动轨迹数据等特定区域社会性群体行为的数据，然后通过相关性分析、因子分析、聚类分析法等提取与社会性群体行为具有显著相关的特征数据，可以获取与社会性群体行为显著性相关的频谱数据特征。
60.步骤s3，也就是从特征数据中提取出最优特征子集这一步骤，具体包括以下步骤：
61.s301.使用主成分分析法对特征数据进行降维处理，获得最优特征子集。
62.通过采用主成分分析法对特征数据进一步降维处理得到最优特征子集，后续步骤中使用最优特征子集而不再使用特征数据，可以降低训练模型计算量。
63.步骤s4中，通过地理加权回归模型对频段占用度与最优特征子集进行相关性分析，可以确定频段占用度与最优特征子集之间的相关关系。由于最优特征子集是从特征数据中提取得到的，最优特征子集包含了社会性群体行为的特征信息，而频段占用度则是从人群所使用的无线电通信中测得的，包含了社会性群体行为的现象信息，因此频段占用度与最优特征子集之间的相关关系表示了社会性群体行为的现象信息与特征信息之间的对应关系。步骤s4中，通过地理信息系统，还可以对根据频段占用度与最优特征子集之间的相关关系进行可视化。
64.步骤s5中，通过时间序列模型对最优特征子集进行时变行为分析，获得第一时间序列。步骤s5中，使用时间序列模型对特定区域内的社会性群体行为进行建模，作时变行为分析，其中特定区域的选择可利用城市poi数据，即选择具有社会意义的地理位置，如商场、学校、景点等。所获得的第一时间序列中包括多个性质与最优特征子集相同的数据。
65.步骤s6，也就是根据频段占用度与最优特征子集之间的相关关系以及第一时间序列，使用深度学习模型构建社会性群体行为预测模型这一步骤，具体包括以下步骤：
66.s601.根据频段占用度与最优特征子集之间的相关关系，确定与第一时间序列相对应的第二时间序列；
67.s602.以第二时间序列作为深度学习模型的输入，以第一时间序列作为深度学习模型的预期输出，对深度学习模型进行训练；
68.s603.将经过训练的深度学习模型作为社会性群体行为预测模型。
69.步骤s601中，根据第一时间序列中包括的多个性质与最优特征子集相同的数据，以及频段占用度与最优特征子集之间的相关关系，可以获得多个性质与频段占用度相同的数据，这些数据组成第二时间序列。根据第一时间序列和第二时间序列所包含的数据的性质，可以将第二时间序列作为深度学习模型的输入，以第一时间序列作为深度学习模型的预期输出，对深度学习模型进行训练。具体地，可以使用循环神经网络(rnn)、图神经网络(gnn)、决策树模型、随机森林模型、马尔科夫模型或arma模型等模型作为深度学习模型。在对深度学习模型进行训练时，可以将第二时间序列中的数据输入至深度学习模型，由深度学习模型进行处理后输出，将深度学习模型的输出结果与预期输出进行比较，根据误差对深度学习模型的参数进行反向传递，直至深度学习模型的输出结果与预期输出之间的误差小于预设阈值后停止对深度学习模型的训练。
70.经过训练的深度学习模型便是本实施例中的社会性群体行为预测模型，所获得的社会性群体行为预测模型具有根据频段占用度识别出社会性群体行为特征的能力。
71.步骤s7，也就是使用社会性群体行为预测模型进行社会性群体行为识别这一步骤，具体包括以下步骤：
72.s701.获取特定区域中一段时间内进行的无线电通信的频段占用度；
73.s702.将频段占用度输入至社会性群体行为预测模型；
74.s703.根据社会性群体行为预测模型的输出结果，确定社会性群体行为的特征。
75.步骤s701中的特定区域可以是指一个城市、一个国家甚至全世界，一段时间可以是指特定的年、月、日等固定时间，也可以是某个事件的持续时间等。例如，执行步骤s701时，可以选取短期重大事件发生的时间地点进行分析，如某城市举行演唱会、某道路发生交通阻塞等，观察电磁数据和社会性群体行为在这些场景下的变化；也可以选取一段较长的特殊时期，如全球传染病大流行时期、城市热浪持续时期等进行分析。
76.通过执行步骤s701
‑
s703，可以根据一个地区在一段时间内人群使用手机等无线通信设备时产生的频段占用度，获取这个人群的社会性群体行为的特征，其中社会性群体行为的特征的内容与执行步骤s1
‑
s6训练获得社会性群体行为预测模型时，所使用的步骤s2中的特征数据相同，可以是人群规模增长率、人群移动轨迹趋势等，基于对社会性群体行为的特征的识别结果，提出适当的意见和建议，例如进行人流疏导决策安排等。通过电磁频谱数据分析社会性群体行为，可以有多种用途。如分析的精度足够精确，可在地震等灾害发生后，用于对灾区受困人员的搜救。通过对某区域长时段的电磁频谱数据的积累，当发生重大突发事件时，可以分析事件造成的影响。同理，如果检测到某区域的电磁频谱数据发生了较大范围的异常，可以对该区域进行调查，判断是否发生了特殊事件。
77.本实施例中的社会性群体行为识别方法可以应用于图3所示的监测平台，基于电磁频谱数据挖掘的社会性群体行为分布监测平台结合时域、频域和空间域多维度信息对频谱数据进行分析，可以为无线电提供先验知识。通过该平台的构建和分发，无线电监管部门可以实现有效的频谱管理，并通过计算目标频段的占用度，侧面反映出该区域的社会性群体行为分布。
78.参照图4、图5、图6，本实施例中选取中国国内的第一移动通信运营商、第二移动通信运营商和第三移动通信运营商这三个移动通信运营商的主要工作频段作为目标频段，以对社会性群体行为识别方法的应用进行说明。其中，图4所示为第一移动通信运营商的主要工作频段，图5所示为第二移动通信运营商的主要工作频段，图6所示为第三移动通信运营商的主要工作频段。
79.将本实施例中的社会性群体行为识别方法应用于中国海南省的文昌市、三亚市、陵水自治县、海口市、临高县、东方市等地区，对这些地区在的某个时段社会性群体行为进行识别。通过在上述地区的监测点来监测附近的目标频段的频段占用度，从而执行本实施例中的社会性群体行为识别方法的步骤s1。具体地，设在海口市、临高县、东方市等地区的监测点主要坐落于小区、宿舍等住处，设在文昌市、三亚市、陵水自治县的监测点主要坐落于如文昌龙楼、三亚解放路、陵水自治县中心等的地点。用不同的颜色深度来表示相应地区目标频段的占用度，颜色越深，表示该区域目标频段使用度越高，进一步从侧面反映出该区域社会性群体行为较大。
80.对上述地区应用本实施例中的社会性群体行为识别方法，所获得的分析结果如图7所示。从图7中可以看到，文昌市、三亚市、陵水自治县的频段占用度略高于海口市、临高县、东方市的频段占用度。根据本实施例中的社会性群体行为识别方法的原理，可以认为图7所示的文昌市、三亚市、陵水自治县的社会性群体特征较海口市、临高县、东方市的社会性
群体特征明显。由于海口市、临高县、东方市等地区的监测点主要坐落于小区、宿舍等住处，这些地点的社会性群体行为相对不活跃，而文昌市、三亚市、陵水自治县的监测点主要坐落于如文昌龙楼、三亚解放路、陵水自治县中心等的地点，这些地点的社会性群体行为相对比较活跃，因此根据本实施例中的社会性群体行为识别方法得出的结论与实际情况相符，这印证了本实施例中的社会性群体行为识别方法的可行性。
81.可以根据本基于电磁频谱数据挖掘的社会性群体行为识别方法编写计算机程序，将计算机程序写入计算机装置的存储器或者独立的存储介质中，当计算机程序被读取出来后可以指令处理器执行基于电磁频谱数据挖掘的社会性群体行为识别方法，从而实现与方法实施例相同的技术效果。
82.需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
83.应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
84.应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术
‑
包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
85.此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
86.进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当
存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
87.计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
88.以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。