基于AOI划分的室内轨迹可视分析方法

贺怀清，张昱旻，刘浩瀚

（中国民航大学计算机科学与技术学院，天津 300300）

随着无线通信技术及室内定位技术的快速发展[1]，基于无线技术的室内定位系统日益普及，如Wi-Fi、蓝牙、RFDI（radio frequency data identificatin）等[2]，其积累的大量室内轨迹数据为获取人们在室内空间的活动模式提供了可能性，例如，通过发现室内热点区域[3]来调整购物中心商店的布局和进行广告推荐；实时检测室内人员位置从而降低意外事件发生的风险[4]；分析轨迹相似度从而分析人群移动模式等[5]。室内空间相较室外空间具有如下特征：①室内空间具有垂向性，为分析轨迹间的关系带来巨大挑战；②室内空间相对较小，轨迹数据间的相似度较高，在进行聚合分析时具有挑战性；③室内空间没有明确的路网，在分析人群移动模式时较为困难。因此，室内轨迹具有很强的随意性[6]，在进行轨迹分析时难以自动分析出清晰且具有结构化的信息。

目前较为常用的轨迹可视化方法[7-8]，如专题图、路径可视化及流图等主要面向室外空间轨迹的表达与分析。鉴于室内轨迹数据的特征，室外的轨迹可视化方法无法直接用于室内轨迹数据分析。现有的室内轨迹数据分析方法可以分为3 类：第1 类方法直接比较轨迹的形状和轨迹点之间的距离[9-10]；第2 类方法首先将室内轨迹特征提取为图形，再对图形进行比较[11]；第3 类方法将轨迹转换为一系列位置点或兴趣点的语义信息，轨迹对比转换为位置或兴趣区（AOI，area of interest）的顺序模式比较[12]。这3 类方法在分析过程中对数据存在一定的限制，如要先进行轨迹对齐操作和考虑轨迹中离群点对分析结果的影响等，这些要求在实际情况中难以满足。

面向室内轨迹数据的可视分析方法研究大多与特定领域结合，且侧重于对数据的可视化展示，如承达瑜等[13]利用多视图分析商铺间的关联关系；Liang 等[14]设计了一个结合连通性的过渡矩阵来展示商场热点路径；文献[15-16]对校园轨迹数据进行可视化呈现以提供更好的校园服务；Prentow 等[17]针对医院员工轨迹数据进行分析，以挖掘数据中的噪声。以上研究均与特定领域结合，在对室内轨迹数据分析的普适性方面存在欠缺，且侧重于数据的可视化呈现，没有发挥可视分析过程中人机交互的优势。

在轨迹数据分析方法研究方面：Ye 等[12]检测每个轨迹中的停留点，将轨迹转换为停留点序列，然后将停留点聚集起来形成感兴趣的区域，并使用停留点所属的兴趣区域表示轨迹；文献[18-19]使用邻域函数对感兴趣的区域进行建模，将室内空间划分为有意义的区域，然后将空间点与区域的标签进行关联，从而提高轨迹的聚类效果，更易找到室内人员感兴趣的区域。但这些方法兴趣区的划分方式单一，不利于探索式分析室内轨迹数据，且此类方法重点关注于发现频繁模式，没有进一步挖掘室内人员的人群移动模式和异常行为模式。

受第3 类室内轨迹数据分析方法的启发，并鉴于上述研究中存在的问题，本文提出了一种基于自定义AOI 划分的可视分析方法来挖掘室内人员的人群移动模式，通过可视化可使用户更好地理解与分析数据[20]。本文的主要贡献包括以下3 点：①提出了一种基于用户自定义AOI 划分的室内轨迹可视分析方法；②利用本文提出的可视分析方法能够交互式推理室内人员行为；③在真实数据集上的实验验证了该方法是有效且实用的。

1 任务分析与方法架构

1.1 室内轨迹分析任务

为分析室内人员行为模式，总结室内轨迹分析任务如下。

任务1室内人员的时空模式分析。查看室内各区域人员流动情况及人数波动。

任务2人群移动模式分析。个体的移动与室内AOI 关系密切，通过分析人与AOI、AOI 与AOI 之间的关联关系，从而推断个体或人群的移动模式，得到规律性的经验信息。

任务3异常行为模式分析。对异常行为模式的分析可以得到有意义的信息，据此可优化室内空间或调整室内活动使之更合理。

1.2 可视分析方法架构

为有效完成1.1 节中提出的可视分析任务，探索式地分析室内轨迹数据，本文设计的可视化方法主要从两方面考虑：一方面可以感知一天内室内各个区域人员分布情况；另一方面可以直观地展示轨迹并进行轨迹间的对比。

可视分析方法由3 个模块组成，分别是数据存储模块、数据处理模块和可视化模块，其框架流程如图1所示。数据存储模块管理原始数据；数据处理模块根据可视化模块的需求对原始数据进行处理；可视化模块负责展示处理后的数据；人机交互部分展示细节信息，同时用户可以提出新的可视化需求，数据处理模块重新生成数据传递给可视化模块进行展示。

图1 可视分析方法框架Fig.1 Framework of visual analysis method

2 研究方法

2.1 相关定义

定义1兴趣区。

关于AOI 的定义是本文研究方法的基础，室内轨迹数据是由一序列带有时间戳的室内定位数据组成，通常轨迹所经过区域的属性信息可以表示轨迹的语义。将室内有意义的区域对象定义为一组兴趣区，每个兴趣区a都有表示其范围的属性，具体定义如下

a=〈（x，y），l，h，f〉

式中：（x，y）表示兴趣区左上角顶点的坐标位置；l与h分别表示兴趣区的宽度和长度；f表示兴趣区所在楼层。

定义2兴趣区分组（AOIG，area of interest grouping）。

室内空间属性相似的AOI 可以划分为一组，如工作人员工作区域可以划分为一组，定义为工作区域。兴趣区分组G定义如下

G={〈lable，S〉|S∈{a1，a2，…，an}}

式中：lable 表示兴趣区分组的标签名；S为一个由n个兴趣区元素a组成的集合。

定义3室内移动物体轨迹表示。

以AOI 划分为基础对原始轨迹数据进行处理，得到通过AOI 序列表示的室内轨迹

T={〈A1，…，Ai，…，Am〉|Ai=〈ak，tb，tl〉}

室内轨迹由m个带有时间信息的兴趣区Ai组成，轨迹序列元素按照时间先后顺序出现。单个Ai以三元组的方式表示，包含兴趣区ak，其中k为兴趣区编号；tb和tl分别表示经过ak的起始时间和在此兴趣区的停留时长。

2.2 可视化设计

将地图按照单个监控器的监控范围进行网格划分，这是AOI 划分的基础单元格；室内空间包含不同的功能区域，与AOI 划分区域相对应；代表室内区域的AOI，其功能相似的划分至同一组。AOI 可再嵌套划分，从而实现多尺度分析室内人员行为的目的。

室内空间较小且功能区域密集，为减少用户认知时间，在AOI 划分与分组阶段完成AOI 颜色分配。同组AOI 设定为同一系列颜色，并在轨迹时间序列中延续使用此配色方案。

1.2 节中可视化模块主要由热力图、折线图、路径可视化和时间片拼接图组成。热力图与折线图用于室内人员的时空模式分析（任务1），时间片拼接图与路径可视化结合人机交互操作完成人群移动模式分析与异常行为模式分析（任务2 和任务3）。

2.2.1 时空模式可视分析

采用热力图与折线图对室内人员的时空模式进行分析。其中热力图用于观测室内各个区域内一段时间人员的流入量，可以实时了解室内各区域人员流动情况；折线图用于可视化室内各区域人数随时间的变化，观察各区域发生人员变动的时间点。热力图与折线图可以分别以基础单元、AOI 或AOI 分组为单位进行可视化分析。

兴趣区人流量热力图如图2（a）所示，可视化AOI每小时的人员流入量，坐标轴区域的矩形使用不同颜色映射AOI 一小时内进入的人数。点击热力图纵坐标生成相应AOI 的折线图，兴趣区人流量折线图如图2（b）所示。

图2 时序特征分析Fig.2 Time sequence analysis

2.2.2 行为轨迹可视分析

此部分通过路径可视化进行分析，将轨迹路径绘制成地图上的一条折线，以突出轨迹的空间位置信息。虽已有时空立方体技术[21]可以精确表达室内轨迹的垂向空间信息，但轨迹可视中存在遮挡，不易于观察。

时间维度信息同样是轨迹可视分析的重要部分，其对人员停留单监控器的时间进行可视化。在地图中用圆饼表示人员在此区域的停留时长，半径r=t/120，其中t表示人员单元网格内停留的分钟数。

对随机选取的1 位人员的轨迹进行可视化得到的结果如图3 所示，从图3 中可以直观地分析出此人移动过程中经过哪些区域，以及主要活动区域（AOI 11与AOI 14）。

图3 单人轨迹可视化Fig.3 Single person trajectory visualization

2.2.3 时间序列可视分析

轨迹可视化可对人群行为特征进行分析，但当轨迹很多时会出现非常严重的遮挡[7]，无法较好地进行轨迹对比，于是通过时间片拼接图对以AOI 时间序列表示的轨迹进行可视化展示。不再观察人员在AOI 内的轨迹细节，而是着重分析人员经过的AOI 序列。绘制时间片拼接图所需数据依据定义3 中的格式生成，时间片颜色编码与AOI 划分相对应。

当AOI 划分出现变动时，时间片拼接图随之发生变动。据此可对单AOI 区域内室内人员的行为模式展开分析。

随机选取10 位人员的时间片拼接图如图4 所示，时间片的颜色编码与AOI 分组相对应。通过简单分析可得到序号为①、④、⑤、⑥、⑩的人员轨迹间相似度很大（时间片从颜色及时序上极其相似），结合用户定义的AOI 分组可以归纳这5 位人员的移动模式。对于时间片拼接图中独特的时间片序列，结合轨迹可视化分析是否为异常行为或未分析到的人群移动模式。

图4 时间片拼接图Fig.4 Time slice splicing view

2.3 交互设计

可视化可使用户更好地理解数据，结合交互设计可充分发挥分析人员的主动性进行分析。

时间片拼接图中包含时间片映射组件，用户与之交互可以隐藏或显示相应的AOI 时间片，据此突出显示部分时间片。用户可以通过鼠标滑动与轨迹或时间片交互突出显示某位人员的轨迹，鼠标右击标记轨迹和添加人群分类。

以AOI 序列表示的室内轨迹有较为明确的语义信息，用户通过设定在AOI 的停留时长进行轨迹过滤。分析人员在输入框中输入轨迹在相应AOI 的停留时长，从而进行归集筛选，如图5（a）所示。用户可通过图5（b）中的工具筛选人群轨迹或单人轨迹，总结人群移动模式或分析异常行为。

图5 轨迹过滤工具Fig.5 Tool of trajectory filter

3 案例分析

3.1 数据描述

选用ChinaVis2019 挑战赛[22]公开数据集。数据集由两部分组成：一是场馆内部的传感器分布数据，汇总了室内地图与传感器布置表，使用的传感器单体可以覆盖一个64 m2的正方形区域，室内地图以此为单位进行网格划分，即传感器分布图；二是传感器日志数据，记录会议期间每个传感器收集的参会人员移动信息。传感器日志数据中仅包含人员产生位置变化时的传感器日志数据，共计180 多万条。

3.2 准备工作

完善AOI 划分与AOI 分组是后续可视分析的基础。在室内地图区域功能不明确的情况下，可利用轨迹过滤工具筛选包含每个AOI 的轨迹，并通过路径可视化与时间片拼接图分析轨迹特征从而推测区域功能。本案例室内地图中room1 ～6 区域的功能不明确，经过分析得到如下结论：

（1）room1 与room3 为茶水间或休息室；

（2）room2 为受邀请人员（资深专家或商业精英）的休息室；

（3）room4 为媒体记者休息室；

（4）room5 为比赛场地；

（5）room6 为工作人员休息室。

分析各AOI 特征并进一步完成AOI 分组，得到分组结果如表1 所示。

表1 AOI 分组Tab.1 The grouping results of AOI

3.3 时空模式分析

本次实验使用的数据背景为全国性学术大会，由学术研讨、成果展览和比赛3 部分组成，通过分析室内人员时空模式可以推断室内各AOI 活动开展时间。

3.3.1日程安排分析

以分析第1 天的室内传感器日志数据为例展开介绍。

通过热力图分析会场内各个AOI 的人员时空模式得到：主会场和分会场分别只在上午和下午举办活动，且各个会场内会议分段进行；room5 比赛整日进行，包含中午休息时间；室内其他区域诸如展厅、海报区、签到处、服务台整日开放；room1 与room3 仅在特定的时间点提供服务，符合茶歇休息室的特征；餐厅在中午时对外开放。

具体的时间点安排使用折线图或轨迹可视分析工具进一步分析，以分析主会场及分会场日程安排的具体时间点为例，如图6 所示。

图6 第一天主会场及4 个分会场人数统计折线图Fig.6 Line chart attendee distribution in the main venue and four sub-venues on the first day

分析主会场及分会场折线图，当曲线趋于平稳时，认为室内正在开展某项活动；曲线出现轻微波动时室内活动阶段性结束；当AOI 人数逐渐减少趋于0 时表示某主题结束。据此方法分析出第1 天主会场及各分会场活动时间安排，具体如表2 所示。此部分分析内容在人群移动模式分析中得到验证。

表2 第1 天主会场及分会场日程安排表Tab.2 The schedule of the main venue and sub-venue on the first day

3.3.2 展厅内人员时空模式分析

以AOI 为单位进行可视分析，无法分析出区域内部的时空模式。地图中的AOI 可以进行二次划分，由用户自定义二次划分或按照地图中的网格单元进行分析。实验中对展厅AOI 按照地图网格单元划分再次进行时空模式分析。

通过分析热力图发现，第2 天展厅内部8 个传感器未接收到数据，此现象应是传感器发生故障导致；并且地图中3 个纵向排列的传感器在某时间段内出现了人员流入高峰，分析其折线图确定具体时间段为13：00～14：30，推断该段时间展厅内部此3 个传感器区域内开展了小型活动。

自定义AOI 的方式不仅可以使用户极其便利地分析室内所有区域的人员时空模式情况，同时可对单AOI 内部人员时空模式展开分析。

3.4 人群移动模式分析

轨迹可视分析是分析室内人员人群移动模式的重要内容，反映了室内人员活动时的心理或条件约束。路径可视化图与轨迹时间片拼接图配合轨迹过滤工具可高效筛选轨迹并直观地进行轨迹对比分析，在路径可视化图中可分析出人员移动轨迹及主要停留区域；通过时间片拼接图可总结人群移动规律及特点，从而得到各类人群的移动模式。

根据背景知识可推断参加会议的人员包括普通观众、工作人员、专家、记者、参展单位人员和参加比赛人员。结合3.2 节中对AOI 的分析，除普通观众与参展单位人员外，各类别人员均有单独的活动区域（或休息室），据此可完成部分人员类别分析。参展单位人员的筛选可依据人员在展区活动的总时长进行分析，经过对比设定不同时间参数人群移动模式，最终设定展厅轨迹筛选参数为100 min。剩余未进行类别标记的人员认定为普通观众。

因篇幅有限，本节仅对专家和参赛人员移动模式展开分析，如图7 所示。

图7 各类人员轨迹可视化Fig.7 Visualization of various personnel trajectories

3.4.1 专家移动模式分析

利用轨迹过滤工具筛选在room2 的停留时长至少为5 min 的轨迹，通过分析路径可视化图可总结此类人员的活动区域：在图7（a）的地图中上方扶梯为此类人员专用通道；此类人员在主会场的座位分布在会场前方。通过时间片拼接图可总结此类人员时空移动模式：到达场馆后无需签到，前往room2 等候会议开始，上午参加主会场会议后，中午前往餐厅就餐，餐后返回room2 休息，下午参加各个分会场会议。

此类人员中包括各个会场的主讲人，将各个会场AOI 再次划分，每个会场划分为讲台AOI 与观众席AOI，并进行颜色编码。使用轨迹过滤工具筛选出在讲台区域停留的轨迹，如图7（a）所示。通过与时间片映射组件交互隐藏时间片序列中表示各个会场观众席区域AOI的时间片，突出显示主讲人在讲台区域停留的时间片，据此表2 中的日程安排表得以验证。

3.4.2 参赛人员移动模式分析

参赛人员轨迹可视化如图7（b）所示，总结此类人员的移动模式：到达场馆后前往签到处签到，比赛开始前在展厅参观，比赛时间持续整日，中午前往餐厅就餐；参赛人员的离场时间分为3 个时间段；主要活动区域为room5。

3.5 异常行为模式分析

异常行为监控是保证室内活动安全开展的重要工作，在完成室内人员时空模式分析与人群移动模式分析后，以上分析结果可作为已知信息进而分析异常行为。

如在本案例中已分析出主会场及各个分会场活动时间安排，通过分析热力图与折线图可以挖掘异常时空模式情况：在分会场活动结束前出现人员陆续离场的情况。在进行人群移动模式分析过程中对比人员间的轨迹挖掘出异常行为：媒体记者人群中出现在休息室访问专家的情况，按照已有知识属于越权行为；专家中出现轨迹点大幅度跳跃的情况。使用轨迹过滤工具进行多方案轨迹筛选，发现仅参观展厅与海报区的人群出现异常情况，如图8 所示。

图8 群体异常行为模式Fig.8 The abnormal behavior pattern of the group

异常行为模式分析比较灵活，在人员时空模式分析与人群移动模式分析过程中可能发现异常行为，分析人员也可以使用轨迹过滤工具凭经验筛选轨迹展开分析。

3.6 分析结果对比

利用本文提出的基于AOI 划分的室内轨迹可视分析方法对本案例进行分析，分析结果与ChinaVis2019挑战赛实际情况进行对比，本文方法在日程安排分析、人群移动模式分析和异常行为模式分析上的正确率分别达到了100%、100%和84%。

可见日程安排分析与人群移动模式分析部分所得结果能很好覆盖实际内容。日程安排分析关注于室内所有空间，并且可通过AOI 再划分的方式对室内区域人员时空模式展开详细分析。人群移动模式分析中在完成所有类型人员的移动模式分析的基础上，对人群进一步划分，如对受邀人群中各会场主讲人的分析。

此实验进行的异常行为模式分析相较于赛方给出的答案（12 处异常行为）有两处异常没有覆盖到，分别是室内某些区域出现拥堵状况与工作人员迟到。赛后再次使用本文可视分析方法对这两件异常事件分析，拥堵状况可通过AOI 再次划分分析热力图与折线图的方式得到结果；工作人员迟到通过观察时间序列可视化可直观分析得出，在人群移动模式分析中未对此行为模式关注。

通过与赛方给出的真实情况对比可看出，本文可视分析方法能够较好地在整体、局部、自主分析上完成对室内定位数据的分析。

4 结语

本文提出了一种基于自定义AOI 划分的室内轨迹可视分析方法，按照自定义的AOI 完成时空模式分析、人群移动模式分析与异常行为模式分析。其不仅可以对室内空间全局展开分析，也可分析单AOI 内部人员行为模式。最后，对ChinaVis2019 提供的室内传感器日志数据进行分析验证，证明了该方法的有效性与实用性。

基于自定义AOI 划分的室内轨迹可视分析方法可以应用于其他用室内场景，诸如医院、教室等，根据自定义的AOI 划分探索式分析人群轨迹特征和异常行为模式。室内工作人员可以借助此方法合理调配人力、物力，提供更丰富周到的室内服务；总结室内人员移动模式可丰富在室内举办活动的经验；此方法也可作为安全监控的辅助工具，实时了解室内状况。

室内轨迹分析方法仍然存在很多挑战，相较于传统的室内轨迹分析方法，本文方法在探索式分析室内人员移动模式上具有优势，基于自定义AOI 划分与分组的方法使得室内轨迹可视化效果简洁且易于理解，轨迹过滤工具使得分析过程变得高效。但本文方法中的轨迹筛选方式存在一定的局限性，完全由用户凭经验定义筛选条件是一件繁琐的工作。接下来的工作将结合机器学习相关方法自动完成人群划分，减少分析人员的工作量，提高该可视化方法的普适性；进一步完善AOI 划分与分组方法，支持更多类型及规模的室内场景轨迹数据的分析。