CN115456075A - 一种目标行为异常预警的处理系统及方法 - Google Patents

Abstract

本发明公开了一种目标行为异常预警的处理系统及方法，涉及目标行为分析处理技术领域；首先对原始态势航迹数据进行数据清洗；再通过目标异常行为特征数据模型获取目标异常行为特征数据；然后基于目标异常行为特征数据，使用目标行为异常分析模型中多种分析维度的分析方法进行目标异常行为的推理检测；最后当目标行为异常分析模型检测到目标异常行为时，通过行为异常预警处理模块进行预警提示；同时通过服务编排的方式进行处理系统设计和集成；本发明，能够最大限度地发挥数据效能和算法效能，从不同维度进行异常行为检测，解决复杂多样的目标行为异常预警的准确、精细化的需求，增强敏感区域、目标的安全预警能力，有效预防安全威胁事件的发生。

Description

一种目标行为异常预警的处理系统及方法

技术领域

本发明涉及机动平台目标的行为分析领域，具体涉及一种目标行为异常预警的处理系统及方法。

背景技术

本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。

针对机动平台目标行为进行分析并完成异常检测，可以最大限度挖掘所获取的目标信息的价值，增强敏感区域、平台的安全预警能力，有效预防威胁事件的发生；同时，将异常分析成果在不同系统、不同单位之间形成及时有效的态势共享，以支持威胁评估及决策需求；一般而言，对于战场机动平台目标的异常行为分析及预警处理，长久以来存在以下几种技术难点：

(1)原始数据中的异常数值影响了异常行为的检测结果，造成高虚警率。由于接入数据来源复杂，造成数据统计分布的特性不一致，数据质量一般都较低，清洗优化困难；(2)机动平台异常行为的形态各异，目前还缺乏对异常行为的较完善定义和汇总分类，同时在面对不同使用场景、不同目标类型和分析周期中也会有不同业务需求；(3)异常分析需求多样化，如果使用传统的固定分析流程，实现和部署过程复杂，不利于核心处理流程的复用和重构，也不便于应用服务的扩展和统一服务，研发及维护成本高；(4)异常检测识别的准确率较低，智能化水平不高，不能方便的使用丰富的异常检测算法进行数据适配、灵活响应，并提高异常行为的检测能力。

发明内容

本发明的目的在于：针对目前于上述战场机动平台目标的异常行为分析及预警处理过程中，存在的四种技术难点，提供了一种目标行为异常预警的处理系统及方法，从多种维度对目标行为进行特征分析及异常检测，简化处理流程，提升目标异常预警分析的自动化处理水平，以减轻目标意图分析工作的强度，提高分析结果的准确性和可靠性，解决目标异常行为分析精细化、个性化的作业需求。

本发明的技术方案如下：

一种目标行为异常预警的处理方法，包括：

步骤S1：对原始态势航迹数据进行数据清洗，降低数值异常对目标行为异常判定的噪声和误差干扰；

步骤S2：通过目标异常行为特征数据模型对数据清洗结果作进一步分析计算，获取目标异常行为特征数据；

步骤S3：基于目标异常行为特征数据，使用目标行为异常分析模型中多种分析维度的分析方法进行目标异常行为的推理检测；

步骤S4：当目标行为异常分析模型检测到目标异常行为时，通过行为异常预警处理模块进行预警提示。

进一步地，所述步骤S1中的原始态势航迹数据，包括：时空信息和身份属性信息；

所述时空信息包括：目标航迹点的UTC时间戳、经度、纬度、高度、航向、航速、地理栅格点、误差协方差、相对距离和相对方位角；

所述身份属性信息包括：目标航迹编号、目标类型、目标型号、目标国家、目标军民性质、隶属军种、出发地、目的地、是否高价值目标、编成单元。

进一步地，所述步骤S1中的数据清洗，包括：野值剔除和无效值剔除、数值异常检测补偿、滤波插值校正。

进一步地，所述野值剔除包括：删除超出数据元素值域范围的航迹点；

所述无效值剔除包括：若目标身份属性信息中的信息超出枚举类的值域范围，那么将值置空但不删除该航迹点；

所述数值异常检测补偿对量测精度较差的数据采用滤波平滑方法，以及对更新不连续的数据通过插值处理进行改善；所述数值异常检测补偿采用Hampel滤波器；

所述滤波插值校正采用Savitzky-Golay滤波器。

进一步地，所述步骤S2中的目标异常行为特征数据包括：数值异常、动作异常、距离异常、编成异常、周期异常、区域异常、组合异常；

所述多种分析维度的分析方法，包括：基于异常准则的异常检测算子方法、基于业务规则的目标异常行为判定方法、基于行为特征数据规律知识的多周期对比方法。

进一步地，所述基于异常准则的异常检测算子方法是针对数值型变量的异常检测，将通用统计类异常检测算法封装成异常算子模块，对目标异常行为进行检测；

所述基于业务规则的目标异常行为判定方法是用户根据业务领域的实际需求，指定的一系列行为异常判断指标要求，目标异常行为进行判断。

进一步地，基于行为特征数据规律知识的多周期对比方法，包括：

将原始态势航迹数据进行持久化存储，存放在离线存储数据库进行统一数据管理，形成历史态势数据库；

将历史态势数据库中的原始态势航迹数据经原始态势航迹数据清洗模块清洗后，再由目标异常行为特征数据模型获取规律性目标行为特征数据；

再采用聚类模式对目标行为特征数据计算相似度，再计算最近邻的行为特征，将得到分割后的多组相似目标行为特征数据集合，作为行为特征数据规律知识；

最后将由目标异常行为特征数据模型获取的目标异常行为特征数据与行为特征数据规律知识进行比对，用于对时间缓变类型的目标行为异常进行识别检测。

一种目标行为异常预警的处理系统，基于上述一种目标行为异常预警的处理方法，包括：

原始态势航迹数据清洗模块，所述原始态势航迹数据清洗模块对原始态势航迹数据进行数据清洗，降低数值异常对目标行为异常判定的噪声和误差干扰；

目标异常行为特征数据模型，通过目标异常行为特征数据模型对数据清洗结果作进一步分析计算，获取目标异常行为特征数据；

目标行为异常分析模型，所述目标行为异常分析模型基于目标异常行为特征数据模型计算结果，对目标异常行为进行推理检测；

行为异常预警处理模块，当目标行为异常分析模型检测到目标异常行为，所述行为异常预警处理模块进行预警提示。

进一步地，所述数据清洗，包括：野值剔除和无效值剔除、数值异常检测补偿、滤波插值校正；

所述数值异常检测补偿采用Hampel滤波器；所述滤波插值校正采用Savitzky-Golay滤波器。

进一步地，所述目标行为异常分析模型中包括多种分析维度的分析方法；

所述多种分析维度的分析方法，包括：基于异常准则的异常检测算子方法、基于业务规则的目标异常行为判定方法、基于行为特征数据规律知识的多周期对比方法。

与现有的技术相比本发明的有益效果是：

一种目标行为异常预警的处理系统及方法，能够从不同维度对目标行为意图进行异常检测，解决复杂多样的目标行为异常预警的准确、个性化，精细化的需求，同时使用服务编排的系统设计，对行为特征模型及异常分析模型采用组装式的编排和调度，最大程度降低模块耦合程度，具有分析维度多样、响应灵活、实用可操作的特点，其有广阔的应用前景。

附图说明

图1为一种目标行为异常预警的处理方法的流程图；

图2为一种目标行为异常预警的处理方法中数据清洗的流程图；

图3为一种目标行为异常预警的处理方法中目标异常行为特征数据模型组成图；

图4为一种目标行为异常预警的处理系统的原理图。

具体实施方式

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

实施例一

请参阅图1-4，一种目标行为异常预警的处理方法，具体包括如下步骤：

步骤S1：对原始态势航迹数据进行数据清洗，降低数值异常对目标行为异常判定的噪声和误差干扰；优选地，所述原始态势航迹数据为前端传感器采集系统推送的实时机动平台目标原始态势航迹数据形成的原始目标实体数据集；原始态势航迹数据清洗模块，是为了对原始态势航迹数据中的“脏数据”进行清洗的过程，减少数据噪声误差及异常数值对后续行为异常检测的干扰；通过数据清洗和预处理可以优化数据质量，减少模糊性，不确定性以及有意或无意的数据噪声影响，避免数据异常对目标行为异常判定造成干扰或误判，降低异常检测虚警率；同时，所述原始态势航迹数据还可以按照统一数据标准进行离线数据存储；

步骤S2：通过目标异常行为特征数据模型对数据清洗结果作进一步分析计算，获取目标异常行为特征数据；需要说明的是，步骤S2需要对对机动平台目标行为特征要素统一建模；即采用特征模型构建方法，按照不同异常分析维度对目标原始态势信息中的要素进行聚合整理；基于数据清洗结果按照特征模型进一步分析计算目标行为特征数据，完成转换与提取，最后形成目标异常行为特征数据模型；

步骤S3：基于目标异常行为特征数据，使用目标行为异常分析模型中多种分析维度的分析方法进行目标异常行为的推理检测；需要说明的是，步骤S3是对其历史性缓变、实时性突变的异常行为通过目标行为异常分析模型进行检测分析；

步骤S4：当目标行为异常分析模型检测到目标异常行为时，通过行为异常预警处理模块进行预警提示；优选地，当检测到目标异常行为时，针对可能存在潜在威胁目标或敏感区域目标，能够立即将异常分析结果按标准消息格式生成异常行为预警消息，并消息分发至相关业务人员进行下一步处理，实现目标威胁预警，并为后端的监视设备提供告警提示，告警提示可以使用文字显示，也可以是图形化显示如标识、图标闪烁等。

在本实施例中，具体的，所述步骤S1中的原始态势航迹数据，包括：时空信息和身份属性信息；

所述时空信息包括：目标航迹点的UTC时间戳、经度、纬度、高度、航向、航速、地理栅格点、误差协方差、相对距离和相对方位角等要素；其时空信息是持续动态变化的，属于一种动态的时间序列数据；

所述身份属性信息包括：目标航迹编号、目标类型、目标型号、目标国家、目标军民性质、隶属军种、出发地、目的地、是否高价值目标、编成单元等要素；目标身份属性信息确定之后，一般就不会发生大的改变，属于较固定的目标基础信息。

在本实施例中，具体的，所述步骤S1中的数据清洗，包括：野值剔除和无效值剔除、数值异常检测补偿、滤波插值校正；即采用野值剔除和无效值剔除、数值异常检测补偿、滤波插值校正三段式处理方法，降低数值异常对目标行为异常的噪声和误差干扰；且在野值剔除和无效值剔除、数值异常检测补偿后并删除重复数据；

在本实施例中，具体的，所述野值剔除包括：删除超出数据元素值域范围的航迹点；

其中，野值是超出了数据元素的值域范围，如经度值域范围是[-180～180]度，如果该航迹点中的其中一个数据项越界，即可删除该航迹点；其他时空信息数据项的值域范围分别为：纬度[-90～90]度，航向[0～360]度，航速[0～3000]km/h，高度范围[0～20000]m；

所述无效值剔除包括：若目标身份属性信息中的信息超出枚举类的值域范围，那么将值置空但不删除该航迹点；即无效值剔除是针对目标原始身份属性信息中的信息超出枚举类的值域范围，那么将值置空但不删除该航迹点；

所述数值异常检测补偿对量测精度较差的数据采用滤波平滑方法，以及对更新不连续的数据通过插值处理进行改善；由于使用的航迹数据一般都是连续变化；所以对数据进行数值异常检测补偿，能够减少突变误差影响；如果符合异常数据特征，则剔除该数值异常点；剔除后的数值可以使用Hampel默认中位数替换，也可在滤波插值步骤中进行用滤波数据替换或补全；

优选地，所述数值异常检测补偿采用Hampel滤波器；优选地，所述Hampel滤波器的异常检验比例因子为

所述的Hampel滤波器的参数k和n_σ分别默认设置为4和2，也可根据实际数据统计特性和用户需求动态调整；

假设在第T个时刻，某个时空信息数据项样本集为X＝{x₀,x₁,...,x_N}，N是样本数据集长度，k是滑窗宽度，从第i个数据开始计算样本中位数median，即m_i＝median(x_i-k,x_i-k+1,x_i-k+2,…,x_i,…,x_i+k-2,x_i+k-1,x_i+k)，同时计算标准差σ_i＝κ*median(|x_i-k-m_i|,…,|x_i+k-m_i|)，其中κ＝1.4826，定义比例因子W_i，如果

则表示该样本点为检验异常点，那么把该异常点替换为中位数值m_i；其中n_σ表示采用n倍sigma检验水平；

所述滤波插值校正采用Savitzky-Golay滤波器(简称SG滤波器)，优选地，拟合参数θ_k的估计结果为

所述SG滤波器的参数m和n分别默认设置为7和3，也可根据实际数据统计特性和用户需求动态调整。

需要说明的是，SG滤波器是一种基于多项式拟合的数字滤波器，能够在不改变数值趋势和宽度的情况下降低数据噪声干扰，同时对数据缺失值也可以起到插值补全的作用；SG滤波器的优点是对于时间序列数据可在任意位置和任意滑窗宽度，同时不了解数据噪声分布特性情况下，对非周期性和非线性的数据都可以进行平滑滤波，提高数据精度要求，对本发明中使用的原始航迹数据噪声特性适应性较好。

同样的，假设在第T个时刻，在一个滑窗内的数据样本值为，X＝{x_-m,...,x₀,...,x_m}，固定窗口宽度k＝2m+1，SG滤波器作用是线性最小二乘法，通过卷积过程将一个滑窗内的邻接数据点集合与一个低阶多项式进行拟合；假设多项式阶数为n，则拟合表达式为

其中θ_k为拟合系数。

将拟合表达式写作矩阵形式Y＝A*X，再通过最小二乘法确定上式中的拟合系数，可得拟合参数θ_k的估计结果为

当需要拟合的单边窗口宽度m，多项式的阶数n，以及待拟合的样本集X确定以后即可求出该拟合多项式参数估计，最后即得到了估计滤波结果，后续的样本值不断移动窗口重复计算即可得到完整滤波估计结果。

在本实施例中，具体的，所述步骤S2中的目标异常行为特征数据包括：数值异常、动作异常、距离异常、编成异常、周期异常、区域异常、组合异常这七种类型；其中，组合异常是满足多种异常行为特征数据条件的组合，并分别对这几个行为异常所需要的相应特征进行规范及分析；然后根据这些异常分析对目标原始态势信息中的要素进行统一聚合，以及进一步数据计算分析，提取转换，特征建模过程就是将原始态势信息中的数据要素以及处理后的数据要素进行统一规范及存储管理；

对目标异常行为从分析维度所需要的要素归纳总结，大致可分为数值异常、动作异常、距离异常、编成异常、周期异常、区域异常以及组合异常七类，包括对这几类异常行为实现识别检测所需要的相应特征数据描述，以及部分特征计算公式方法，分析原理及对应的异常分析模型类型；具体的，目标行为特征数据模型如表1所示：

表1目标行为特征数据模型

需要说明的是，在本实施例中，目标行为异常检测处理时，机动目标转弯半径计算对机动动作特征分析是一个重要参数；目标转弯半径表现了目标机动强弱与行为的变化，与行为异常有较大关联度，如盘旋、折返行为等。

最小转弯半径R_min定义为：

其中：

v为目标速度；

g为重力加速度常数，

φ_max为目标最大坡度角。

目标行为特征数据模型中，是通过相似时间序列匹配算法对目标活动航线的路径进行匹配，实现如目标偏航行为检测；

相似时间序列匹配算法首先定义目标航迹相似度：目标航迹与另一条航迹E_i＝{s₁,s₂,…,s_n}通过下列公式进行计算其相似度：

其中：

φ(T_i∩E_j)表示航迹T_i与航迹S_i相通的子路径总长度；

φ(T_i∪E_j)表示航迹T_i与航迹S_i总路径长度；

两个子路径相通则表示，对于一条航迹上的任意航迹点，在另一航迹上至少存在一个航迹点，两点之间的距离小于门限阈值L_h；当不同航迹的相似度大于一定阈值时，则可判断其是路径匹配的，否则可判断其属于航线偏离行为。

航迹路径长度定义：设路径W_i＝(v₁,v₂,…,v_i),i∈[0,m]的所有节点v_i∈V，记两点之间的欧式距离为|e_i-1,i|，可通过Haversine距离公式计算得到，路径的总长度计算公式为：||W_i||＝|e_1,2|+|e_2,3|+…+|e_i-1,i|。

在距离异常分析维度的处理中，地理空间两点间的距离公式：已知两点

其中

λ分别为经度和纬度，AB两点球面弧线距离使用Haversine公式计算：

区域异常判断目标位置点p(x,y)在多边形区域内的方法可以使用射线法、向量叉乘判别法或面积和判别法。

判断目标位置点在圆形或椭圆形区域内的采用计算公式：

假设椭圆参数(x₀,y₀,a,b,θ)，p₁(x₀,y₀)为椭圆中心点，a和b分别为长短半轴长度，θ是椭圆倾斜角。

在本实施例中，具体的，机动平台目标行为异常分析模型，是从不同分析场景以及不同应用需求出发，从目标行为的不同维度对异常分析方法进行了归纳总结及分类，使用三种分析模型进行异常行为的推理检测；所述多种分析维度的分析方法，包括：基于异常准则的异常检测算子方法、基于业务规则的目标异常行为判定方法、基于行为特征数据规律知识的多周期对比方法。

在本实施例中，具体的，所述基于异常准则的异常检测算子方法是针对数值型变量的异常检测，将通用统计类异常检测算法封装成异常算子模块，对目标异常行为进行检测；即针对数值型变量的异常检测，使用通用统计类异常检测算法，进行开发、测试和封装，各个算法以原子组件形式发布到目标行为异常分析模型库中，提供异常检测算法支持；优选地，用户可根据实际场景的不同需求，以及数据不同的统计特性，适应性的改变异常检测算子，来对目标异常进行检测，并可改变其最后异常判定准则。

在本实施例中，具体的，所述基于业务规则的目标异常行为判定方法是用户根据业务领域的实际需求，指定的一系列行为异常判断指标要求，目标异常行为进行判断；优选地，用户根据业务领域的实际需求，指定的一系列行为异常判断指标要求；需要说明的是，基于业务规则的目标异常行为判定方法是根据实际用户业务规则，采用条件判定的计算公式与预置业务规则或先验知识条件相结合，进行假设检验，判断检验结论是否成立；根据行为特征数据的性质不同，也可能使用多种异常分析模型进行推理，比如可以使用通用异常算子分析模型进行检测，也可以使用业务规则分析模型进行检测，这取决于用户根据实际情况进行选择；一般采用条件判定的计算公式与预置业务规则或先验知识条件相结合，进行假设检验，判断目标异常行为检验结论是否成立；如区域异常类型，判断目标是否处于或接近下列类型空域如：机场空域、防空识别区、巡航区域等；航线类型如近边界线、转运航线、国境线等；参考点如集合点、搜救点等；时间周期类型，如判断某个属性目标是否在某时间段内活动，或判断目标活动持续时长是否大于某阈值等。

在本实施例中，具体的，本实施例提出的一种目标行为异常预警的处理方法中实质包括两种数据分析模式，分别为：实时计算和离线计算这两种模式。

其中，实时计算模式的具体运行模式如上述所述，主要用于对突变类型的目标异常行为进行识别检测，并完成实时异常预警；而离线计算模式是与下述基于行为特征数据规律知识的多周期对比的异常分析方法相对应的，主要用于对时间缓变类型的目标异常行为进行识别检测；在离线计算模式中，是将目标行为特征数据模型中的特征要素项，对历史数据中的规律性目标行为知识进行提炼，在实时检测时进行特征比对，用于对时间缓变类型的目标行为异常进行识别检测。

在本实施例中，基于行为特征数据规律知识的多周期对比方法，是对过往目标行为特征数据采用无监督模型进行聚类分析，总结得到特征数据集合，形成的历史规律知识，如热点航线集合、编成集合、热点区域集合等；通过不同时间周期的特征集合比对，得到时间缓变类型的目标异常行为演变结果；其采用协同过滤的方法原理，具体的实现步骤如下：

首先将原始态势航迹数据进行持久化存储，存放在离线存储数据库进行统一数据管理，形成历史态势数据库；优选地，其按照统一标准规范文件，通过数据导入方式将每一条原始态势航迹数据作为新的记录插入到事先创建的数据库实例表格文件中；

然后将历史态势数据库中的原始态势航迹数据经原始态势航迹数据清洗模块清洗后，再由目标异常行为特征数据模型获取规律性目标行为特征数据；

再采用聚类模式对目标行为特征数据计算相似度，再计算最近邻的行为特征，将得到分割后的多组相似目标行为特征数据集合，作为行为特征数据规律知识；即可识别出多个周期的有关联性的目标异常行为；优选地，所述聚类模式中采用的聚类算法可采用如LOF、DBSCAN、KNN算法等；

最后将由目标异常行为特征数据模型获取的目标异常行为特征数据与行为特征数据规律知识进行比对，用于对时间缓变类型的目标行为异常进行识别检测。

在本实施例中，具体的，异常算子模块是针对数值异常的，即数值型变量根据统计原理使用多样式的基础通用异常检测算法，进行开发、测试、封装而来，各个算法以原子组件形式统一发布到异常检测算子模型库，提供异常检测算法支持；然后通过服务编排的方式对特征数据模型、异常算子模块以及异常分析模型中的异常准则进行功能串联，任务流程编排而形成动态调度的程序应用。

异常算子模块中内置的通用数值异常检测算法，如表2所示：

表2异常算子模块

在通用数值异常检测算法中，基于聚类方法的LOF(局部密度异常检测)算法原理是通过邻域密度的离群因子判断异常值，其具体的计算步骤如下：

(1)对于数值点p先计算与其他所有点的几何距离，然后再找到它的k最近邻点o∈N_kp，rd(o,p)＝max{d_k(o),d(o,p)}；

(2)计算每个的第k局部可达密度：

(3)并计算LOF指标：

如果LOF指标大于1，即可作为检测异常点进行标记，一般设置k＝20。

在异常分析模型中，异常准则，包括：通用指标、专用指标和自定义指标三种，数值异常采用通用数值进行异常检测对应通用指标，专用指标是指采用了特定异常算子而具有的判断条件，另外用户也可以自定义指标作为异常判定准则进行检测。

通用指标，包括：莱依达(PaPnaT)准则、格拉布斯(GurbbS)准则、肖维勒(Chauveent)准则、t检验准则、狄克逊(Dixon)准则等。

其中，莱依达准则又称3σ准则，以样本数据的3倍标准差作为异常取舍标准，置信度水平α为99.73％。

其中，GurbbS准则采用公式

其中G(n,α)是对应测量次数n和置信度水平α的系数，可以查表所得。

其中，Chauveent准则同样采用残差绝对值与标准差比值进行假设检验，公式

ω(n)可查表所得。

实施例二

实施例二针对于实施例一中的一种目标行为异常预警的处理方法，提出了一种目标行为异常预警的处理系统，基于服务编排方法，同时加入行为异常预警处理模块，将目标异常行为特征数据模型，以及异常分析模型作为抽象的服务资源，采用组件化的服务编排方式对目标异常行为分析工作任务流进行编排，并生成编排配置文件，最后按照预置编排进行数据自动分析生产，当检测到存在目标异常行为时提供预警提示。

在本实施例中，需要说明的是，用户根据自身业务分析需求，可对特征数据模型以及异常分析模型采用服务编排方式进行个性选择，定义工作流的调用顺序、上下文的依赖关系、入参和出参的数据内容、服务类型以及执行逻辑，生成领域特定语言DSL描述的服务编排配置文件。最后按用户预置编排文件，进行数据自动分析生产。

基于服务编排的目标行为异常预警的处理系统设计中，根据目标行为异常分析复杂业务逻辑的场景，为了最大程度的对核心数据特征要素、核心处理流程的重构及复用，将处理模块之间以搭建积木的方式对行为特征要素数据以及多样式的异常分析算子、分析模型的处理模块抽象成服务资源，进行服务组合、编排，形成灵活的各类处理任务编排并进行调度执行，提高了数据分析的开发效率。

基于服务编排的目标行为异常预警的处理系统设计中：

首先对业务场景进行分析设计，选择新建服务编排并生成相应的配置文件，配置文件使用领域特定语言DSL(Domain Specific Language)描述，其主要目的就是定义了工作流的调用顺序、上下文的依赖关系、数据内容、服务类型以及执行逻辑，同时也可以使用服务编排模板进行快速创建；更广泛的，也可以使用图形化界面进行服务流程编辑，如用户可通过可视化界面采用拖曳的方式操作实现服务编排，并完成相关节点的运行参数配置设定；

然后再添加一个或多个工作流任务节点，任务节点与节点之间关系使用有向无环图DAG(Directed acyclic graph)表示，规定了服务涉及的操作、工作参数以及服务调用顺序；服务的任务节点可以是串行以及并行，并可使用分支条件进行流程控制；

接着，设置该服务编排任务节点交互消息的入参和出参，并在运行前会对参数有效性进行连接测试；工作流在任务执行的过程中局部结果是可见的，并且具有可追溯性，可提供暂停、停止、恢复等管理控制指令。

最后，在对工作流的任务节点的运行配置参数进行有效性检查，以及任务节点的执行依赖性检查完成之后，即可选择正常任务调度运行；在任务运行过程中，同时可以对整个或部分服务运行状态进行监控。

在用户对业务需求进行分析后，通过服务编排的系统设计可分阶段对系统分析进行简化分解，能够使系统分析员集中精力只针对系统的一个或某几个方面进行关注并解决，可以在不同的细节层次上来对系统进行集成及优化，最终达到了核心目标行为特征要素、异常分析模型以及核心处理流程的复用和重构。

在本实施例中，具体的，一种目标行为异常预警的处理系统，具体包括如下结构：

原始态势航迹数据清洗模块，所述原始态势航迹数据清洗模块对原始态势航迹数据进行数据清洗，降低数值异常对目标行为异常判定的噪声和误差干扰；

目标异常行为特征数据模型，通过目标异常行为特征数据模型对数据清洗结果作进一步分析计算，获取目标异常行为特征数据；

目标行为异常分析模型，所述目标行为异常分析模型基于目标异常行为特征数据模型计算结果，对目标异常行为进行推理检测；

行为异常预警处理模块，当目标行为异常分析模型检测到目标异常行为，所述行为异常预警处理模块进行预警提示。

在本实施例中，具体的，所述数据清洗，包括：野值剔除和无效值剔除、数值异常检测补偿、滤波插值校正；

所述数值异常检测补偿采用Hampel滤波器；所述滤波插值校正采用Savitzky-Golay滤波器。

在本实施例中，具体的，所述目标行为异常分析模型中包括多种分析维度的分析方法；

所述多种分析维度的分析方法，包括：基于异常准则的异常检测算子方法、基于业务规则的目标异常行为判定方法、基于行为特征数据规律知识的多周期对比方法。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。

提供本背景技术部分是为了大体上呈现本发明的上下文，当前所署名的发明人的工作、在本背景技术部分中所描述的程度上的工作以及本部分描述在申请时尚不构成现有技术的方面，既非明示地也非暗示地被承认是本发明的现有技术。

Claims (10)

1.一种目标行为异常预警的处理方法，其特征在于，包括：

步骤S1：对原始态势航迹数据进行数据清洗，降低数值异常对目标行为异常判定的噪声和误差干扰；

步骤S2：通过目标异常行为特征数据模型对数据清洗结果作进一步分析计算，获取目标异常行为特征数据；

步骤S3：基于目标异常行为特征数据，使用目标行为异常分析模型中多种分析维度的分析方法进行目标异常行为的推理检测；

步骤S4：当目标行为异常分析模型检测到目标异常行为时，通过行为异常预警处理模块进行预警提示。

2.根据权利要求1所述的一种目标行为异常预警的处理方法，其特征在于，所述步骤S1中的原始态势航迹数据，包括：时空信息和身份属性信息；

所述时空信息包括：目标航迹点的UTC时间戳、经度、纬度、高度、航向、航速、地理栅格点、误差协方差、相对距离和相对方位角；

所述身份属性信息包括：目标航迹编号、目标类型、目标型号、目标国家、目标军民性质、隶属军种、出发地、目的地、是否高价值目标、编成单元。

3.根据权利要求2所述的一种目标行为异常预警的处理方法，其特征在于，所述步骤S1中的数据清洗，包括：野值剔除和无效值剔除、数值异常检测补偿、滤波插值校正。

4.根据权利要求3所述的一种目标行为异常预警的处理方法，其特征在于，所述野值剔除包括：删除超出数据元素值域范围的航迹点；

所述无效值剔除包括：若目标身份属性信息中的信息超出枚举类的值域范围，那么将值置空但不删除该航迹点；

所述数值异常检测补偿对量测精度较差的数据采用滤波平滑方法，以及对更新不连续的数据通过插值处理进行改善；所述数值异常检测补偿采用Hampel滤波器；

所述滤波插值校正采用Savitzky-Golay滤波器。

5.根据权利要求1所述的一种目标行为异常预警的处理方法，其特征在于，所述步骤S2中的目标异常行为特征数据包括：数值异常、动作异常、距离异常、编成异常、周期异常、区域异常、组合异常；

所述多种分析维度的分析方法，包括：基于异常准则的异常检测算子方法、基于业务规则的目标异常行为判定方法、基于行为特征数据规律知识的多周期对比方法。

6.根据权利要求5所述的一种目标行为异常预警的处理方法，其特征在于，所述基于异常准则的异常检测算子方法是针对数值型变量的异常检测，将通用统计类异常检测算法封装成异常算子模块，对目标异常行为进行检测；

所述基于业务规则的目标异常行为判定方法是用户根据业务领域的实际需求，指定的一系列行为异常判断指标要求，目标异常行为进行判断。

7.根据权利要求5所述的一种目标行为异常预警的处理方法，其特征在于，基于行为特征数据规律知识的多周期对比方法，包括：

将原始态势航迹数据进行持久化存储，存放在离线存储数据库进行统一数据管理，形成历史态势数据库；

将历史态势数据库中的原始态势航迹数据经原始态势航迹数据清洗模块清洗后，再由目标异常行为特征数据模型获取规律性目标行为特征数据；

再采用聚类模式对目标行为特征数据计算相似度，再计算最近邻的行为特征，将得到分割后的多组相似目标行为特征数据集合，作为行为特征数据规律知识；

最后将由目标异常行为特征数据模型获取的目标异常行为特征数据与行为特征数据规律知识进行比对，用于对时间缓变类型的目标行为异常进行识别检测。

8.一种目标行为异常预警的处理系统，其特征在于，基于权利要求1-7任一项所述的一种目标行为异常预警的处理方法，包括：

原始态势航迹数据清洗模块，所述原始态势航迹数据清洗模块对原始态势航迹数据进行数据清洗，降低数值异常对目标行为异常判定的噪声和误差干扰；

目标异常行为特征数据模型，通过目标异常行为特征数据模型对数据清洗结果作进一步分析计算，获取目标异常行为特征数据；

目标行为异常分析模型，所述目标行为异常分析模型基于目标异常行为特征数据模型计算结果，对目标异常行为进行推理检测；

行为异常预警处理模块，当目标行为异常分析模型检测到目标异常行为，所述行为异常预警处理模块进行预警提示。

9.根据权利要求8所述的一种目标行为异常预警的处理系统，其特征在于，所述数据清洗，包括：野值剔除和无效值剔除、数值异常检测补偿、滤波插值校正；

所述数值异常检测补偿采用Hampel滤波器；所述滤波插值校正采用Savitzky-Golay滤波器。

10.根据权利要求8所述的一种目标行为异常预警的处理系统，其特征在于，所述目标行为异常分析模型中包括多种分析维度的分析方法；

所述多种分析维度的分析方法，包括：基于异常准则的异常检测算子方法、基于业务规则的目标异常行为判定方法、基于行为特征数据规律知识的多周期对比方法。

Images