本发明属于数据挖掘技术领域，尤其涉及一种基于轨迹数据的学生安全监控方法和系统。
背景技术：
随着物联网、移动互联网等新兴技术引入校园安全领域，各种基于RFID、GPS等设备的学生轨迹数据被收集起来，并积累到教育信息化数据库中，如何有效地分析和利用这些海量数据，从而让其更好地服务于教育信息化和校园安全越来越被重视起来。
数据挖掘是指从大量的原始数据中提取或挖掘知识的一种方法，它的基本过程包括数据收集和预处理、知识提取、知识辅助决策。学生安全轨迹的数据挖掘，是指利用数据挖掘的方法研究学生轨迹数据，通过大数据分析的方式，从海量数据中提取出隐含的并具有潜在价值的数据，为学生的安全出行提供保障。
现有的学生安全轨迹数据挖掘都是针对于各种类型的数据分别进行分析，缺少对学生全天的安全轨迹数据的挖掘和分析，不能形成学生安全出行的闭环。例如，基于GPS技术的学生安全定位，其数据挖掘与分析主要是针对学生GPS运动轨迹，一般适用于学生课外活动场景；基于RFID设备数据的数据挖掘与分析，主要是针对学生的校内轨迹和进出校信息推送，一般适用于学生在校期间。目前没有针对学生在回家或去学校路上进行的安全监控，而对于小学生，尤其是年龄小的儿童，安全意识和自我保护能力都较差，因而在途的安全监控也是十分必要的。
如何实现学生全天的安全监控，是本领域技术人员目前迫切解决的技术问题。
技术实现要素：
为克服上述现有技术的不足，本发明提供了一种基于轨迹数据的学生安全监控方法和系统，该方法借助多种定位方式实现学生全天轨迹数据的获取，基于学生全天的安全轨迹数据进行数据挖掘和分析，对学生全天的安全出行形成闭环，并提供安全出行建议和安全轨迹预警。
为实现上述目的，本发明采用如下技术方案：
一种基于轨迹数据的学生安全监控方法，包括以下步骤：
实时接收学生的位置信息；
根据所述位置信息，判断学生所在区域；
根据学生历史轨迹数据确定所述学生当前应在的预设区域，判断学生当前所在区域与应在的预设区域是否相同，若不同，检测轨迹是否异常；
所述预设区域包括生活区域、学习区域、在途区域和其他区域。
进一步地，若学生当前所在区域与应在的预设区域相同，所述方法还包括：根据所述学生当前所在区域、时间和天气因素，采用学生轨迹预测模型，对所述学生的轨迹进行预测。
进一步地，判断学生是否在预设区域内是基于分类模型判断的；所述分类模型的训练方法为：
对于每个学生，为采集的一端时间内的位置数据赋予分类标签，所述分类标签包括生活区域、学习区域、在途区域和其他区域；
将带有分类标签的位置数据作为训练数据，采用朴素贝叶斯算法训练分类模型。
进一步地，所述基于学生轨迹预测模型以历史学生轨迹为因变量，以相应的学生所在区域、时间、该时间和区域对应的天气为自变量建立的。
进一步地，所述异常轨迹检测包括异常运动轨迹检测和异常停留点检测。
进一步地，所述停留点检测步骤包括：
获取一定时间范围内的位置点数据；
采用基于密度的聚类方法确定点簇，所述点簇对应的点即停留点。
进一步地，所述方法还包括：根据预测的轨迹或异常轨迹，获取相关周围环境信息，为学生的家长提供建议或预警。
根据本发明的第二目的，本发明还提供了一种服务器，执行所述的基于轨迹数据的学生安全监控方法。
根据本发明的第三目的，本发明还提供了一种基于轨迹数据的学生安全监控系统，包括：
轨迹数据采集装置，用于采集学生的位置信息并发送至服务器；以及
所述的服务器。
进一步地，所述系统还包括：家长终端，和/或学校终端。
本发明的有益效果
1、本发明借助多种定位方式全面地获取学生位置信息，并设置多个预设区域；基于分类模型对位置信息的所属区域进行判断，基于聚类分析进行停留点分析，根据学生的历史轨迹数据判断学生的轨迹是否发生异常，若异常，则为学校和家长提供警示。本发明实现了学生全天的安全监控，借助机器学习和聚类分析，分析结果更为准确。
2、本发明将多种定位模块(GPS、蓝牙和RFID)集成到学生随身携带的学生卡中，便于采集学生全天的轨迹数据，保证了数据的全面性。
3、本发明还能够根据学生的当前位置、时间等信息进行学生轨迹的预测，根据预测结果，结合周围环境信息(道路拥堵、恶劣天气等)，为家长或学校提供建议。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明基于轨迹数据的学生安全监控方法思路框架图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于轨迹数据的学生安全监控系统，包括轨迹采集设备、服务器、学校终端和家长终端。
1、轨迹采集设备
所述轨迹采集设备包括学生随身携带的学生卡和图像采集装置。其中，
学生卡包括GPS定位模块、蓝牙定位模块和RFID定位模块，用于采集结构化数据，包括GPS位置数据、蓝牙定位数据、RFID设备定位数据。
优选地，GPS定位模块实时采集学生位置数据，不受地域限制，并且将采集的数据转换为学生的运动轨迹，用于学生从生活区域往返学习区域的在途安全轨迹，也用于收集学生在周末和假期的户外活动轨迹。
蓝牙定位模块，用于收集学生在家的轨迹。为实现蓝牙定位，生活区域须放置相应的蓝牙设备。
RFID定位数据，用于收集学生在学校的轨迹，并转换为学生进出校的预警数据。学校内布置多个RFID阅读器，布置数量和位置满足学校各处RFID信号的采集。
图像采集装置包括学校摄像头和公共摄像头，采集非结构化数据，包括学生在学校和户外的监控视频数据，用于学生安全轨迹预警的辅助决策。
2、服务器
数据预处理
结构化数据可以通过ETL工具进行数据转换和数据清洗，非结构化数据可以通过各种开源大数据清洗框架进行数据预处理。
将各定位模块获取的位置信息转换到同一坐标系下，以便于数据的分类。
数据分类
基于一个可预测的属性把数据分成多个类别。本实施例中，针对每个学生，将采集的近1年的位置数据赋予分类标签，所述分类标签包括：生活区域、学习区域、在途区域和其他区域(如表1)。将带有分类标签的位置数据作为训练数据，采用朴素贝叶斯算法训练分类模型。朴素贝叶斯算法是基于贝叶斯定理和特征条件独立假设的分类方法，本发明建立的模型将分类属性定义为输入属性的函数。分类标签如下：
表1分类标签说明
接收轨迹采集装置实时发送的位置数据，根据训练好的分类模块确定学生当前所属的区域。
数据聚类
聚类是基于一组属性对数据进行分组，在本质上与分类类似，但是聚类是一种无监督的数据挖掘任务，没有一个属性用于指导模型构建过程，所有的输入属性都是平等的。本发明对学生安全轨迹数据进行停留点分析，停留点是学生安全轨迹的重要特征之一，它包含了丰富的空间结构信息和行为规律信息。
当学生在某区域内停留时，采集装置将在该区域采集得到密集的点簇。通过基于空间的聚类分析方法提取相应的点簇，即可获取用户的停留点。
具体地，本实施例采用DBSCAN算法作为提取轨迹停留点的基础算法。
接收轨迹采集装置发送的位置信息，针对一段时间范围内采集的位置信息，执行以下操作：
设定扫描半径Eps,并规定扫描半径内的密度值；若当前点的半径范围内密度大于等于设定密度值，则设置当前点为核心点；若某点刚好在某核心点的半径边缘上，则设定此点为边界点；若某点既不是核心点又不是边界点，则此点为噪声点，删除噪声点。将距离在扫描半径内的所有核心点赋予边进行连通；每组连通的核心点标记为一个簇；将所有边界点指定到与之对应的核心点的簇总；
通过网络爬虫获取点簇对应的地图数据，确定停留点位置。优选地，还可以通过人工设置采集某些热点区域，与采集的学生安全轨迹数据对比，实现更为精确的停留点位置解析，为提取学生个人及群体的行为规律提供分析基础。
通过聚类分析，获取各时间段内学生的停留点。
异常检测与预警
本发明通过聚类分析的数据挖掘结果，可以检测特征明显不同于其他数据的离散点和异常点，并结合学生当前所处区域的周边环境信息进行相关分析，为家长和学校提供学生的安全预警。
当出现以下情况时，向学校或家长提供安全预警：
(1)运动轨迹异常：学生在应当位于学习区域/在途区域/生活区域/其他预设区域的时间段内，位置明显偏离相应区域。此种情形可检测出学生迷路或被非法分子诱拐等情形。
例如，学生在途期间的轨迹点明显偏离在途运动区域，学生在校期间存在偏离学习区域较大的轨迹点等。
(2)停留点异常：学生在学习区域、在途区域、生活区域和其他预设区域以外的区域停留。即，检测到的当前停留点不在预设区域内。例如，学生在家期间存在明显偏离生活区域的点，学生途径有安全隐患的区域等。
通过网络爬虫等工具从互联网数据获取学生当前的位置、轨迹或停留点对应的地图数据，确定实际位置，再根据该位置相关的交通、人口密度等数据，给家长或学校终端提供警示。
对于运动轨迹异常，优选地，所述安全预警的内容可以包括：×年×月×日×时×分，学生×在××街道上向×方向移动，移动速度为××。
对于停留点异常，优选地，所述安全预警的内容可以包括：×年×月×日×时×分，学生在×地点停留超过×分钟。
预测与相关分析
根据学生当前的位置、时间和天气等因素，基于学生的历史轨迹数据，对所述学生的轨迹进行预测；根据预测结果，获取相关环境信息，根据所述环境信息提供参考建议。
预测是对自变量和因变量之间的关系进行建模，然后利用模型对结果进行预测。本实施例以自变量函数的方式，对学生安全轨迹建立预测模型。通过数据分类产生的数据挖掘结果，可以对学生的出行时间和出行方式进行预测，并结合学生当前所处区域的周边环境信息(交通信息或天气信息)进行相关分析，为家长提供学生的安全出行建议。
具体地，本实施例以历史学生轨迹为因变量，以相应的学生位置对应的区域、该位置获取的时间、该时间和区域对应的天气状况等因素作为自变量，建立学生轨迹预测模型。
优选地，学生轨迹包括即将从生活区域出发前往学习区域、在去学习区域的途中、在学习区域、在从学习区域回生活区域的路上等，对这些轨迹分别定义不同的数值。同样地，为不同区域、不同天气、时间等非数值的因素赋予数值。
例如，通过对甲学生历史安全轨迹的分析，可以预测甲学生今天早上7:30乘坐自家的私家车从生活区域出发，8:00到达学习区域。7:20时，系统通过网络爬虫获取路线周围交通情况，发现在途区域有严重拥堵现象，这时可以给家长提供出行建议，采取绿色出行方式或者避开拥堵路段。
所述服务器将异常检测的预警信息以及根据预测结果提供的参考建议推送至学校或家长终端。
实施例二
本实施例的目的是提供一种学生安全监控方法。
一种基于轨迹数据的学生安全监控方法，包括以下步骤：
步骤1：实时采集学生的位置信息；
步骤2：根据所述位置信息，基于分类模型判断学生所在区域；
步骤3：根据学生历史轨迹数据确定所述学生当前应在的预设区域，判断学生当前所在区域与应在的预设区域是否相同，若不同，检测轨迹是否异常；
所述预设区域包括生活区域、学习区域、在途区域和其他区域。
若学生在其应在的预设区域，所述方法还包括：根据所述学生当前所在区域、时间和天气因素，采用学生轨迹预测模型，对所述学生的轨迹进行预测。
然后根据预测的轨迹/异常轨迹，获取相关周围环境信息，为学生的家长提供建议或预警。
所述步骤2中分类模型的训练方法为：
对于每个学生，为采集的一端时间内的位置数据赋予分类标签，所述分类标签包括生活区域、学习区域、在途区域和其他区域；
将带有分类标签的位置数据作为训练数据，采用朴素贝叶斯算法训练分类模型。
所述步骤3中学生轨迹预测模型以历史学生轨迹为因变量，以相应的学生所在区域、时间、该时间和区域对应的天气为自变量建立的。
所述步骤3中异常轨迹检测包括异常运动轨迹检测和异常停留点检测。
其中，所述停留点检测步骤包括：
获取一定时间范围内的位置点数据；
采用基于密度的聚类方法确定点簇，所述点簇对应的点即停留点。
该实施例二中涉及的各步骤与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本发明的有益效果
1、本发明借助多种定位方式全面地获取学生位置信息，并设置多个预设区域；基于分类模型对位置信息的所属区域进行判断，基于聚类分析进行停留点分析，根据学生的历史轨迹数据判断学生的轨迹是否发生异常，若异常，则为学校和家长提供警示。本发明实现了学生全天的安全监控，借助机器学习和聚类分析，分析结果更为准确。
2、本发明将多种定位模块(GPS、蓝牙和RFID)集成到学生随身携带的学生卡中，便于采集学生全天的轨迹数据，保证了数据的全面性。
3、本发明还能够根据学生的当前位置、时间等信息进行学生轨迹的预测，根据预测结果，结合周围环境信息(道路拥堵、恶劣天气等)，为家长或学校提供建议。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。