工程应用
基于语义轨迹模型的态势评估方法研究
黄亚锋，邢 峰，张航峰，李 维
(南京电子技术研究所，南京 210039)
摘 要： 将语义轨迹模型引入态势估计领域。概念方面，通过对原始轨迹进行主体转换，标注隐含语义，建立语义轨迹模型。与点累积模型相比，该模型更有利于表达与分析轨迹所隐含信息。算法方面，基于飞行角度变化、窗口内高度变化趋势等原则提出了盘旋、上升/下降等空中目标典型机动行为标注方法。可视化方面，基于语义轨迹尺度概念，以时间为横轴、语义为纵轴，以尺度粒度为坐标最小刻度单元，尺度广度作为坐标范围，建立语义轨迹多尺度表达。该表达方式符合层次化认知规律。最后，指出相关成果可在日报生成、关注目标历史活动规律挖掘等任务中应用。
关键词： 语义轨迹；盘旋提取；上升/下降提取；多尺度表达
0 引 言
态势估计，是态势要素的认识、理解和预测过程，是作战双方获取战场信息优势的关键技术。它是信息融合、战场监视等众多领域的研究热点问题。在概念层次上的态势估计功能模型方面，JDL模型和Endseley模型是得到广泛认可两个模型，其中JDL模型强调通过态势要素间的关联关系形式多重视图推断敌方作战意图和目标[1]，而Endseley模型认为影响决策不仅取决于态势要素，而且受决策者的决策目标、个人能力等因素影响，该模型从人的思维角度将态势估计分为感知、理解、预测三个阶段[2]。在态势评估实现框架部分，杨万海分析了态势评估模型应具备的特点，即鲁棒性、准确性、智能性、可信赖性[3]，而巴宏欣、赵宗贵等则从实现过程角度讲态势评估实现框架分为生成当前态势要素集合、生成态势假设集合、当前态势生成、估计当前态势对实现态势目标的支持程度、态势预测五个相互关联的过程[4]。在算法层次上，实现态势估计的模型和方法很多，比较典型包括基于模板匹配、基于贝叶斯网络、基于本体的方法等。以典型方法进行说明。基于模板匹配是被广泛采用的一种方法。David F.Nobel最早将模板方法应用到态势估计中，该方法中将作战活动序列用模板表示，通过弹性约束将模板与战场实际情况拟合，从而达到行为与意图识别的目标[5]。该方法优点是推理结构易理解、模板易导出，缺点是模板动态更新维护复杂。基于贝叶斯网络的态势估计是基于态势不确定特点的进行推理决策的一种手段。Peter Bladon和Richard J.Hall等首先论证了贝叶斯网络在态势估计应用的可行性，并提出了具体的应用背景和流程，具体流程含节点构造、节点概率的分配、推理算法等过程[6]。本体是形式化态势领域知识的另一种方法。基于本体的态势知识表示方式可以准确唯一地表示目标、事件、实体等态势要素以及其相关关系，为态势估计提供了知识支撑[7]。但是传统的本体是静态确定性的表达方式不能很好反应战场态势的实时动态和不确定性特征。故值得关注的本体拓展一是Su-Kyoung Kim等提出的动态本体概念，该概念可表达本体在时间和空间内的变化[8]；二是Zhongli Ding等利用OWL描述对本体进行概率扩展，基于概率本体可实现不确定性本体关系推理[9]。
中华民族“站起来”“富起来”“强起来”的奋斗目标和民族伟大复兴的共同理想，把爱国主义和拥护中国共产党的领导、坚持和发展中国特色社会主义内在地统一起来。正如习近平总书记所指出的那样：“我国爱国主义始终围绕着实现民族富强、人民幸福而发展，最终汇流于中国特色社会主义。祖国的命运和党的命运、社会主义的命运是密不可分的。”[注]习近平：《习近平在中共中央政治局第二十九次集体学习时强调：大力弘扬爱国主义精神 为实现中国梦提供精神支柱》，《人民日报》2015年12月31日，第1版。
通过上述分析可知，上述研究或侧重于概念层次上的势评估功能模型、实现框架研究，或侧重于算法层次上利用数学、哲学模型如模板技术、贝叶斯网络、本体方法对态势进行评估，侧重于对实时态势评估模型与算法研究。然而态势估计是高层次融合过程，它即受具体作战实体，也受抽象的作战样式、观点条例等因素的影响，即包括对历史态势的归纳总结，也包括对当前实时态势的理解，更包括对未来态势的预测，因此它是复杂的思维过程。对态势估计的研究仍是开放式问题。如Endseley模型所述，态势估计是将数据转换为知识的过程，其最终结果为指挥员提供决策支持的态势图。在此过程中，需关注两点：一是关注历史态势数据在知识提取、态势预测中作用。如特定机型飞机的侦查行为常按其操作手册进行，其多次侦查轨迹具有时空相似性。通过其历史轨迹分析可得到其经典活动路线，可为该机型飞机实时运动行为预测提供模板支撑。二是关注人在态势评估中的影响作用。态势评估最终用户为各级指挥员，态势评估的结果需要计算机可产生、人类可理解，最终达到快速态势感知、辅助战场决策目标。
1.5 统计学分析 所有研究数据运用SPSS 20.0软件包进行统计分析。计量资料以表示，组间比较采用t检验；计数资料以[例(%)]表示，组间比较采用χ2检验或Fisher's精确概率法，P<0.05为差异有统计学意义。
语义是我们人类理解和沟通的基础单元。语义分析是人类对历史态势数据分析常用手段。例如归纳某一目标运动行为时，人们常通过观察其运动轨迹，常将其转换为“某目标于某时从某机场起飞途径某某区域执行某某任务”的语义方式进行理解。模拟人类对历史态势数据分析思路，通过提取语义单元，通过对语义单元分析提取历史活动规律是历史态势数据分析的可行思路。本文将语义轨迹模型引入到态势评估领域，重点研究以空中目标历史轨迹为主数据源的语义轨迹模型建立、语义增强、多尺度的语义可视化方法。
1 面向态势估计的语义轨迹模型
1 .1 轨迹点累积模型
以雷达为代表的情报传感器获取的原始目标轨迹常采用轨迹点累积模型方式存储与表达。该模型是以传感器报文接收时间为次序的动态轨迹点元组。将tid 记做某一轨迹的唯一ID，P i 为某观测点，它由传感器探测时间戳t ，地理坐标lon 、lat 、h ，附加的轨迹点属性(如速度、方向、敌我属性、国籍等)attri 组成，观测点数目n ，则轨迹tid 的点累积模型为：
RawTraj tid ={Listof (P i (tid ,lon i ,lat i ,h i ,t i ,attri i ))}，
i ∈[1,n ]
轨迹点累积模型有两个特点：首先将动态实体目标抽象为点，其次将连续运动抽象为离散点。轨迹点累积模型适用于动态实体目标实时或历史位置显示或是动态实体目标时空特征的计算的场景，如计算目标某段历史时间段的平均速度等。
但态势评估不是简单的显示或统计，它需要考虑态势要素间关系，提取目标隐含的作战意图。态势要素的关系如轨迹点间上下文时空关系，从中可提取盘旋等机动战术行为，又如轨迹与战场环境间关系，从中可提取目标对哪些敏感区域进行过境侦查。直接将轨迹点累积模型应用到态势评估领域面临着如下问题。首先，直接使用原始轨迹点元组，人类难以其数据背后隐含的规律。其次为数据冗余，其原因为航迹点元组除了记录时刻、地理位置等动态属性外也记录大量如国籍、敌我等静态属性，而这些静态属性甚至是完全相同的。最后，可扩展性弱，对于元组模型扩展只能采用扩展元素属性方式进行，扩展后模型一方面会导致数据更冗余且会产出版本兼容问题。
轨迹的主体与客体区分较好解释了产生这一问题的原因[10]。轨迹主体是指产生轨迹的动态目标对象本身，如飞机、舰船目标等，客体是指主体产生的被传感器记录下的空间位置等属性。从主客体角度，轨迹点累积模型是一种基于传感器视角的轨迹客体描述方法，而在态势评估等高层融合应用更关注实体目标的意图，及其与其他态势要素间关系，因此更需要一种为关注实体为中心的、方便挖掘隐含关联关系的模型。
1 .2 语义轨迹模型
轨迹信息的生成制约于目标本身的运动学特性，被其所处的地理环境所影响，表征了目标行为、意图。轨迹时空点序列内隐含了目标行为、背景环境等多种语义信息。这种语义信息与时空信息不同，它是隐式的。Spaccapietra等提出在原始轨迹基础上进行语义增强，通过构建语义轨迹模型方式进行目标活动规律的挖掘[11-12]。语义轨迹模型已在交通出行分析等领域得到应用。语义轨迹模型与轨迹点累积模型相比，是一种轨迹主体角度的轨迹数据表达，更适用于挖掘和表达隐藏语义信息。将语义轨迹模型引入到态势估计领域是可行且必要的。
Listof(DP i (t i ,lon i ,lat i ,h i ))},
ObjTraj tid ={OID ,Listof(SAttri j ),
语义轨迹模型建立分两步，首先进行以实体目标为主体进行动态、静态属性[13]区分，其中动态属性指随着时间变化而动态更新的属性，如目标的时间、位置、航向、速度等，静态属性为不随着时间变化而更新的属性，如敌我属性、航班号等。动态属性用动态点如DPi(ti,loni,lati,hi))表示，动态实体目标ID记作OID ，目标静态属性记作SAttri j ，其个数为m ，则以目标为中心的轨迹模型：
车子一路向前，野葵和蒲公英一路跟着。终于，我们远远望见了几幢房子，青砖青瓦连在一起，坐落在一块开阔之地。开车的师傅说：“到了。”父亲像突然被谁猛击了一掌似的，愣愣地，不相信地问：“到了？”一看表，快上午 10点了。他急了，说：“也不知能不能见着。”因为这家戒毒所规定，上午10时之后，一律不允许探视。
∀i ∈[1,n ]，j ∈[1,m ]
山东青岛市即墨区下辖的几个乡镇拥有多年的蔬菜种植历史，种植的蔬菜种类繁多，包括黄瓜、豆角、西红柿、大头菜等。由于经济效益较高，农民对农业投入品出现过量使用，加上多年的连作种植，使得土壤问题日益凸显，土传病害愈加严重，让不少农民手足无措，甚至面临着绝产绝收的风险。
SemTraj tid ={OID, Listof(SAttri j ),
Listof(DP i (t i ,lon i ,lat i ,h i )),
Listof(Seg k (t begink ,t endk ,Anno k ))},
∀i ∈[1,n ],j ∈[1,m ],k ∈[1,s ]
与轨迹点累积模型相比，首先语义轨迹模型将隐含的语义信息显式表达，符合人类认知习惯；其次，它分区了动态、静态属性，去除了大量冗余静态属性数据，压缩率较高；最后，以附加的语义字段列表表达语义信息方便对未知语义的扩展。因此，语义轨迹模型更适用于对历史轨迹数据的分析与规律发现。
1 .3 语义类型划分
轨迹隐含的语义信息与行为主体属性、与具体应用领域相关。针对历史轨迹分析这一具体态势评估问题，按照历史轨迹其主要与哪种背景信息相关联，将语义信息划分为地理语义、应用领域语义、复合语义三类如图1所示：
(1)地理语义：轨迹信息与战场环境关联分析的结果，包括轨迹与敏感区域间的拓扑关系、方向关系等，如目标途径敏感区域信息、目标与敏感区域间的方位关系等。
从轨迹点累积模型提取语义信息是生成语义轨迹模型的关键。该过程又被称为语义增强。战场监视中从雷达等传感器数据探测到目标到生成该目标的语义轨迹模型，一般需要经过单站传感器探测、多传感器融合、轨迹预处理、语义信息提取等步骤。按照JDL数据融合模型的定义，单站传感器探测、多传感器融合分别属于Level0、Level1级的融合问题[1]，轨迹预处理则包括轨迹数据整理(如轨迹拼接、补点、异常点剔除等)、轨迹数据压缩[14-15]等，语义信息提取包括轨迹分割、行为意图判断等方面，通常需要结合第三方数据或知识(如战场环境数据、目标运动学特征等领域知识)借助相关数据挖掘算法。
对于夫妻双方同为相同致病基因携带者的家庭，在夫妻双方充分知情并同意情况下进行产前诊断，经超声介导行绒毛穿刺术或羊膜腔穿刺术取得胎儿样本，进行产前基因检测。
其一，文化国际主义认为开展文化交流可以有力促进理解与维持和平。然而在中国对中南半岛的文化外交中，文化交流在有些国家开展顺利，在有些国家却遭遇了一些阻碍。
(2)应用领域语义：轨迹信息与应用领域知识关联分析的结果。它的划分与具体应用领域有关，如针对空中目标的上升、下降、盘旋等机动行为。
因免费医学生专业特点，如何激发其学业动机是培养优秀的全科医师的关键。有调查指出，免费医学生动机受自身专业认同的影响[17]；有研究认为，入学动机、班级学业氛围及免费医学生本身的标签都会对免费医学生学习倦怠造成影响[18]；也有调查指出，免费医学生学习投入在自我评价和学习倦怠之间起中介作用[19]；还有研究表明，免费医学生学习倦怠与时间管理情绪和专业承诺有关[20]。上述研究均表明，因免费医学生定向就业的特点，其学习适应性较普通医学生差[21]。这方面的研究提示我们，多方面因素可以影响免费医学生学业动机，未来应注意相关因素的影响并有针对性地开展教育，提升免费医学生学业动机。
(3)复合语义：由地理语义、应用领域语义等基本语义信息复合导出复合语义信息，它需要融合多个背景领域知识，如目标在特定敏感区域中进行盘旋等战术行为。
鉴于研究内容具有极强的专业性及发表文章语言的局限性，为使更多的国内读者及时了解竹藤研究前沿进展，本刊将及时跟踪GABR成果，对原文内容进行精简、提炼，以中文形式呈现给读者。本期介绍全球首次报道的棕榈藤基因组的情况。
2 语义增强算法
图1 轨迹的语义类型划分
我一边说着，一边得意地递给女人一张名片，女人看着名片睁大眼睛说：“原来这画展是你办的，你太了不起了！”
按照2.3节语义的划分，语义信息提取可分为地理语义提取与应用领域语义提取。地理语义可通过反向地理编码的方式、时空关系判断方法为轨迹段赋予地理语义，这方面有较成熟算法支撑。而在应用领域语义中，目标行为语义是重要类型，它与目标意图密切相关，如反潜机的盘旋行为通常表征了潜艇搜索的作战意图。且在态势评估领域中关注战术机动行为与交通出行领域关注的停留(Stop)、移动(Move)行为语义存在明显不同。就研究现状而言，针对态势评估领域的目标机动行为提取研究较少。因此，本节将重点研究空中目标上升/下降、盘旋这两类典型机动行为提取。
2 .1 上升/下降提取
上升/下降是飞机沿倾斜向上做直线飞行，是飞机获得高度/失去高度的主要手段。从运动轨迹看，它是一种垂直面内的机动飞行。上升/下降过程中受到重力、拉力、阻力、升力等作用力影响[16]。基于上述分析可知，上升/下降一种高度变化过程，同时考虑到对非合作目标的监控高度信息多存在一定误差的情况，我们将上升/下降段定义为持续的高度变化趋势相同的轨迹段，即该轨迹段满足①目标行为持续一段时间；②其高度变化趋势相同。
飞行方向的变化是盘旋的重要特征。将飞行角度α i 定义为从正北方向旋转有向向量DP i-1 DP i 所需的角度，0≤α ≤360。图3刻画了轨迹角度变化过程，左图为模拟生成的圆形盘旋的轨迹，右图为考虑各种环境、观测误差等因素后的盘旋的轨迹片段。可以看到，对于图3(a)规则盘旋而言，可根据从α 值的周期变化(图3(b)中的A处α 6的变化一周后回到B处α 21推断出对应盘旋，即[DP 6,DP 21]。但对于受各种因素影响的实际观测轨迹而言，单独的α 值的周期变化不能较好识别出盘旋段，如图3(c)中α 值的周期变化约为从α 1到α 23，但其对应的盘旋轨迹段[DP 1,DP 23]人眼识别时认为其明显超过了一周盘旋。究其原因，这是因为人们在识别盘旋段时除了考虑飞行方向的变化外更考虑视觉闭合性格式塔原则，即有将闭合区间[DP 2,DP 20]判断为盘旋的倾向。
图2说明了上升/下降语义的基本过程。首先，对轨迹ObjTraj tid ，以采样时间间隔为R 、轨迹点时刻为中心进行轨迹进行重采样。为采样窗口内的平均轨迹点数目不小于2个，R值应大于平均轨迹点时间间隔。处理后得到n个采样窗口，动态点DPi对应的窗口为
结果如图2(a)所示。
采用基于直线拟合方式拟合窗口内的轨迹点时间高度分布，用直线斜率ki表示高度变化趋势。设置趋势判断阈值kth(kth>0)，ki<- kth时判断窗口为下降状态，用符号-表示；ki> kth时为上降状态，用符号-表示；其他为平飞状态，用符号〇表示。窗口Wini={Listof (DPi),Annoi}，∀
∀Annoi∈{+,-,〇}。如图2(b)中用+、-、〇符号分别表示采样窗口的上降、下降、平飞态。
该课程是环境设计专业第三学期的课程，学生刚刚接触到环境设计专业方向的知识内容，还处在设计基础课程的学习阶段，对本专业及专业课程的学习和了解还不深刻，部分学生可能缺乏心里准备，教师应根据学生现阶段的学习状况和心态，有的放矢、加强引导，注重过程性评价，增加课堂的趣味性，适当插入任务模块，引入实际案例，加强角色训练，通过运用对分课堂教学模式，激发学生的学习兴趣，树立学生的学习自信，培养学生的自学能力和拓展能力。
图2 轨迹的上升/下降行为提取
而后，通过相邻窗口合并生成待选上升/下降段。窗口合并基于相邻窗口趋势的判断，其中当窗口AnnoWini=AnnoWini-1时合并窗口，即图2(b )上图情况，当AnnoWini≠AnnoWini-1时，考虑图2(b )下图所示的轨迹高度抖动情况，采用扩大窗口进行趋势判断方式，对于窗口Wini其扩展窗为
判断AnnoWin[i-1,i+1]与AnnoWini-1，当AnnoWini-1= AnnoWin[i-1,i+1]时候合并Wini-1、Wini窗口，否则不合并。基于上述窗口合并准则，按照窗口次序进行窗口合并产生若干合并后的窗口，合并窗口对应了轨迹的待选上升/下降段。考虑到上升/下降是持续运动行为，设置运动阈值tmin ，从待选上升/下降段删除持续时间小于tmin 的轨迹段，得到最终的上升/下降轨迹段，如图2(c )所示的上升段。
2）课中，教师采用多媒体设备和现代化教学手段组织学生分组讨论与单元主题相关的话题，并将相关图片、视频等资料发到手机学习平台上。将学生分成若干个小组，小组内对问题进行讨论交流，加强学生的语言交流能力；然后小组将对话表演出来，并将录音或录像发到手机学习平台上；教师对学生的角色扮演录音或录像给予指导和评分。如用英语点餐的情景对话中，学生使用正确的语言进行交流，完成点餐任务，培养了团队合作精神，涉及思维方式、西餐文化礼仪、价值观培养等各个方面的核心素养培养。
2 .2 盘旋提取
盘旋是指飞机在水平面连续改变飞行方向大于360°的曲线运动，是最常见的机动飞行。盘旋行为所代表的盘旋速度、盘旋半径等要素是衡量飞机机动性能与格斗能力的重要指标之一。盘旋按照其高度改变趋势，分为盘旋上升/下降，水平盘旋。盘旋下降通常用于机场上空等待降落过程中，水平盘旋通常见于侦查等行为中。
上升/下降语义探测即要考虑单个轨迹点时空特征，也要考虑该轨迹点与其时空邻近点组成的高度变化趋势。基于此，我们以单个轨迹点时刻为中心进行时间上推、下推，以采样窗口作为基础探测单元，通过线性拟合方式计算每个采样窗口内的高度变化趋势，而后通过窗口递归合并等方式获得上升/下降的轨迹段。
图3 规则盘旋与不规则盘旋图形的飞行角度变化
考虑飞行方向变化与轨迹区间闭合性设计盘旋段提取算法。首先考虑盘旋段的闭合性原则，对轨迹上任一点提取与其前向邻近点集合，设置距离阈值delta，距离函数dis，DPi点的前向邻近点为Adj(DPi)=Listof (DPj),∀tDPj>tDpi且dis (Dpi,Dpj)<delta且j≠i。如图4(a )中点DP2的前向邻近点为DP3、DP19、DP20。提取邻近点集合Adj(DPi)中任一点DPj，与点DPi，组成区间[DPi,DPj]，将其转换到角度空间，对应角度区间[αi,αj]。在角度空间中，若角度函数记作g，考察函数g在[αi,αj]的变化情况，设置角度阈值θ，当函数g是否满足同时下列条件：①‖g(αi)-g(αj)‖<θ；②∃x>y时，g(x)<g(y)，其中αi≤y<x≤αj；③‖max (g(α))-360‖<θ且‖min (g(α))‖<θ，其中αi≤α≤αj。当函数g在[αi,αj]满足上述条件时将其作为待选盘旋段。如中图4(b )所示，[α2,α19] 、[α2,α20]对应的轨迹段为待选盘旋段。重复上述步骤，对轨迹每一点进行遍历提取其待选盘旋段，最后对选选盘旋段根据其时间重合性进行合并，得到最终盘旋段如图4(c )所示。
图4 轨迹的盘旋提取过程
3 语义轨迹的多尺度表达
人的因素(包括能力、经验和训练水平等)是影响态势评估的重要因素。对于语义轨迹可视化这一问题而言，具体影响体现在两点：首先建立的可视化形式必须符合人类认知习惯，其次可视化表示是进一步态势分析的基础，用户在此基础上可进一步分析出计算机程序所未预定义的规律。
对于战场态势这种复杂系统，层次化抽象是人类从不同层次、不同角度进行态势感知的基本方法。态势多尺度表达是符合层次化认知原则的实例。 建立态势多尺度表达的基础是尺度概念建模。文献[17]认为态势维度分为空间、时间、语义三个维度，尺度由广度、粒度、比例等要素组成，态势的尺度是两者的笛卡尔积。语义轨迹模型主要存在于时间维、语义维(其中原始空间信息转换为抽象地理标注信息)，结合广度、粒度的尺度基本组成，组成笛卡尔积，将其作为语义轨迹态势Scale ：
第二步为以轨迹段为基本单元进行语义增强。将Seg k 记作语义标注后的轨迹段，其中t begink 为该轨迹段开始时间戳，t endk 为终止时间戳，t 1≤t begink <t endk ≤t n ，Anno k 为具体的语义信息，s 为语义标注轨迹段数目，则轨迹tid 的语义模型为：
方法二：在春笋采收后的笋穴内填埋有机肥等上述材料，视笋穴大小填入有机物，并在每个笋穴内施入0.5 kg左右的竹笋配方肥，然后覆土，使笋穴既有肥力，又通气保湿，诱导竹鞭定向出笋，方便鞭笋采收，并提高其产量。
其中a1为观测时间段， a2为最小观测的时间颗粒度如日、时、分、秒等，a3为语义广度信息，包括表达实体目标数目EntityNum和语义种类数目SemNum，a4为语义表达粒度，由各种语义的基本分辨单元列表组成，如图5(a)中的不同行为语义分辨率、图5(b)中的不同空间语义分辨率。
图5 不同语义粒度
图6 语义轨迹的多尺度表达
基于上述尺度概念设计语义轨迹的可视化方法。以轨迹时间为横轴、语义为纵轴，以尺度粒度为坐标轴的最小刻度单元，尺度广度作为坐标轴的范围，建立表现空间，结果如图6所示。在此空间中语义轨迹表现为水平的线段。图6说明了几种不同尺度下的语义线表达。其中图(a)为对某一目标的某次飞行行为的行为与途径区域语义分析，对应尺度为时间粒度为秒，广度为该次飞行时间，语义广度为(EntityNum =1,SemNum =3)，粒度为(L BEV2,L DIS2)。图(b)为一周内关注机型A、B、C是否活动的分析图，其时间粒度为天，广度为一周，语义广度为(EntityNum =3,SemNum =1)，粒度为L BEV1。在周期性活动规律分析中常需要常需要观察周期时间点的对应语义信息，为方便分析周期时间点规律，我们以上语义轨迹表示方法基础上，将时间轴按照分析周期(如一天、一周)进行了折叠，结果如图(c)(d)所示，图(c)表示某目标0-24点周期活动，图(d)为一月内某目标周一到周日周期活动。
语义轨迹多尺度表达是进一步可视化分析的基础。在单一尺度下，在横轴方向上，用户可分析不同语义下的语义发生次序，例如某一飞行目标的途径区域的次序，机动行为的次序规律；在纵轴方向上，用户可分析在同一时刻不同语义单元间关联关系，例如敏感区与机动行为间关系。在周期性时间线图中，通过纵轴方向分析可得到的语义特征，结合横轴方向上的语义发生时序分析可得到目标的周期性活动次序规律。不同尺度下，通过改变尺度，有助于用户发现不同尺度下的目标历史行为规律。例如在周期性活动分析中，飞机机动在分别以日、小时为时间粒度分析该目标历史活动特征。
4 结 语
主要工作：1)概念方面，将语义轨迹模型引入态势估计领域。通过从主体角度描述目标运动行为，用文本形式标注其隐含语义信息，建立语义轨迹模型。2)算法方面，基于飞行角度变化、窗口内高度变化趋势等原则提出了盘旋、上升/下降等空中典型机动行为提取方法。3)可视化方法方面，基于语义轨迹尺度概念，以语义轨迹的时间、语义维度为横轴、纵轴，以尺度粒度为坐标轴的最小刻度单元，尺度广度作为坐标轴的范围，建立语义轨迹多尺度表达。
工作特点：1)以人为本，突出人的因素在态势评估中的作用。首先在模型方面，语义轨迹模型与传统的轨迹点累积模型相比，更有利于表达与分析轨迹所隐含的信息和知识。其次在可视化方面，所建立的语义轨迹多尺度表达方式符合人类认知层次性规律。同时，该可视化方法既是计算机分析结果也是用户进一步分析的基础。2)以史为鉴，以历史态势数据为主要分析对象。包括历史轨迹数据在内的历史态势数据蕴含了丰富的领域知识，可为当前态势的判断未来态势的预测提供基础。
相关成果的典型应用如：1)战场日报生成中的应用。对某一关注目标历史运动行为描述生成日报时，传统方法只能对历史轨迹信息在态势图上进行回放、人工判读、生成文字的方法。如利用本文方法，用户可从语义轨迹多尺度表达形式中提取轨迹出各种行为单元及其持续时间、语义发生次序、同一时刻发生的语义信息等多角度多层次语义信息，这些信息为行为描述提供信息支撑。2)关注目标历史活动规律挖掘。例如在分析某一目标每天、每周的周期性活动规律时，就可建立对应尺度的语义轨迹表达图，基于此进行可视化分析，归纳历史活动规律。
基于语义轨迹模型的经典路线提取与终点预测是本文进一步研究方向。传统方法通常考虑轨迹时空特征采用时空相似性分析与聚类方法，而忽略对时空特征隐含的语义特征分析。语义特征序列，如途径侦查区域序列，表征了目标的行为意图，有一定规律性。基于语义模型利用历史信息预测目标行为终点后续研究将重点关注。从单条轨迹特征分析到多条轨迹聚类分析，从历史规律挖掘到目标行为终点预测，语义轨迹模型在态势估计中的应用将越来越广泛。
参考文献：
[1] WHITE F E. Joint directors of laboratories-technical panel for C3I, data fusion sub-panel[R]. San Diego:Naval Ocean Systems Center, 1987.
[2] Endsley M R. Toward a Theory of Situation Awareness in Dynamic System [J]. Human Factors,1995, 37(1):32-64.
[3] 杨万海.多传感器数据融合及其应用[M].西安:西安电子科技大学出版社,2004.
[4] 巴宏欣,赵宗贵,等.态势估计——概念、内容与方法[J].解放军理工大学学报(自然科学版),2004,5(6):10-16.
[5] D.F.Noble. Schema-Based Knowledge Elicitation for Planning and Situation Assessment Aids[J]. IEEE Trans On Systems, Man and Cybernetics, Part A, 1989,19(3):473-482.
[6] P. Bladon,R. J. Hall,W. A. Wright.Situation Assessment using Graphical Models[C].Proceedings of the Fifth International Conference on Information Fusion, 2002, 2: 886-893.
[7] L. Marko, M. Bernd, W. Matthias. Situational Reasoning-A Practical OWL Use Case[J].2005 International Symposium on Autonomous Decentralized Systems 2005: 461-468.
[8] Su-Kyoung Kim, Ho-Jin Choi. An Ontology Model Framework for Supply of Active Situation Decision Service[J]. 2009 Fourth International Conference on Computer Sciences and Convergence Information Technology. 2009: 1207-1212.
[9] Zhongli Ding, Yun Peng. A Probabilistic Extension to Ontology Language OWL[C].Proceedings of the 37th Hawaii International Conference on System Sciences, 2004.
[10] 毛峰. 基于多源轨迹数据挖掘的居民通勤行为与城市职住空间特征研究[D].上海:华东师范大学,2015.
[11] Spaccapietra S,Parent C, et al. A Conceptual View on Trajectories[J]. Data and Knowledge Engineering,2008,65(1):126-146.
[12] Yan ZhiXian, Spaccapietra S. Towards Semantic Trajectory Data Analysis:A Conceptual and Computational Approach[C]. Lyon,France: VLDB2009,2009.
[13] Ralf Hartmut Guting, Markus Schneider著. 移动对象数据库[M]. 金培权,岳丽华译.北京:高等教育出版社,2009.
[14] C.Long, R.Wong, et al. Trajectory simplification: on minimizing the direction-based error[C].Hangzhou,China: Proc. of the VLDB Endowment, 2014.
[15] H.Cao, O. Wolfson,et al. Spatio-temporal Data Reduction with Deterministic Error Bounds[J]. The VLDB Journal, 2006,15(3),211-228.
[16] 方振平.飞机飞行动力学[M].北京:北京航天航空大学出版社,2005.
[17] 黄亚锋,李旭东,张航峰.战场多尺度表达研究[J].系统仿真学报,2018,30(2):452-458.
The Research on Situation Assessment Method Based on Semantic Trajectories Model
HUANG Ya-feng, XING Feng, ZHANG Hang-feng, LI Wei
(Nanjing Research Institute of Electronics Technology, Nanjing 210039, China)
Abstract : Semantic trajectory model is introduced into the field of Situation Assessment. Conceptually, semantic trajectory model is established by means of describing the behavior from the subjective view and annotating the trajectory. The model is more appropriate for the representation and analysis of implicit information in trajectory than the point-accumulation model. Algorithmically, typical maneuverings such as hovering, ascending/declining are extracted from the characteristics of raw trajectory. As for visualization, multiple scale representation of semantic trajectory is proposed based on the scale concept for semantic trajectory. This representation uses time as horizontal coordination, uses semantic information as vertical coordination and takes granularity of scale as interval. It conforms to the hierarchical recognition law. Finally, the application of aforementioned result is discussed.
Key words : semantic trajectories；hovering behavior extraction；ascending/declining behavior extraction； multiple scale representation
doi :10.3969/j.issn.1673-5692.2019.03.005
收稿日期： 2019-01-02 修订日期：2019-03-01
基金项目： 南京电子技术研究所所控课题语义关联在多源态势挖掘中的应用
中图分类号： TP391
文献标识码： A
文章编号： 1673-5692(2019)03-243-08
作者简介
黄亚锋(1981—)，男，江苏人，高级工程师，主要研究方向为态势评估技术研究；
邢 峰(1991—)，男，江苏人，工程师，主要研究方向为态势显示技术研究；
张航峰(1977—)，男，浙江人，高级工程师，主要研究方向为态势评估技术研究；
李 维(1991—)，男，湖北人，工程师，主要研究方向为态势显示技术研究。